library(dplyr)
library(ggplot2)
library(scales)
library(wbstats)
library(Quandl)
library(xlsx)
library(gridExtra)
library(rvest)
library(stringr)
library(tidyr)
# DOWNLOAD FILES
## 1. Extractive Industry Data
url <- "https://rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/master/Data/Extractive%20industry.xlsx"
if(!file.exists("Extractive industry.xlsx")){
download.file(url, destfile = "Extractive industry.xlsx", method = "curl")
}
## 2. Processing Industry Data
url <- "https://rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/master/Data/Processing%20industry_fin.xlsx"
if(!file.exists("Processing industry_fin.xlsx")){
download.file(url, destfile = "Processing industry_fin.xlsx", method = "curl")
}
## 3. Investments in the fixed assets of ukrainain companies by type of the economic activity per year
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/investments%20in%20the%20fixed%20assets.xlsx"
if(!file.exists("investments in the fixed assets.xlsx")){
download.file(url, destfile = "investments in the fixed assets.xlsx", method = "curl")
}
## 4. Data on the number of people employed in various sectors of the economy for years
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/labour.xlsx"
if(!file.exists("labour.xlsx")){
download.file(url, destfile = "labour.xlsx", method = "curl")
}
## 4a. Data on the number of people employed in economic activities
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/84f82fa1/Data/employed_in_economic_activity.xlsx"
if(!file.exists("employed_in_economic_activity.xlsx")){
download.file(url, destfile = "employed_in_economic_activity.xlsx", method = "curl")
}
## 5. Private sector share in GDP (in per cent)
#url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/GDP_by_private_companies_ua_by_year.xlsx"
#if(!file.exists("GDP_by_private_companies_ua_by_year.xlsx")){
# download.file(url, destfile = "GDP_by_private_companies_ua_by_year.xlsx", method = "curl")
# }
## 5. Private sector share in GDP (in per cent)
url <- "http://www.ebrd.com/downloads/research/economics/macrodata/sci.xls"
if(!file.exists("sci.xls")){
download.file(url, destfile = "sci.xls", method = "curl")
}
## 6. Data on investments in privatized companies by years
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/investments_in_privatized_companies.xlsx"
if(!file.exists("investments_in_privatized_companies.xlsx")){
download.file(url, destfile = "investments_in_privatized_companies.xlsx", method = "curl")
}
## 7. Data on Enterprises by ownership
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/number_of_enterprices_%20by_ownership_ua.xlsx"
if(!file.exists("number_of_enterprices_ by_ownership_ua.xlsx")){
download.file(url, destfile = "number_of_enterprices_ by_ownership_ua.xlsx", method = "curl")
}
## 8. Privatization contracts by State control over the fulfillment of the terms of sales contracts by groups of privatization objects
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/privatization_contracts_over_control.xlsx"
if(!file.exists("privatization_contracts_over_control.xlsx")){
download.file(url, destfile = "privatization_contracts_over_control.xlsx", method = "curl")
}
## 9. Privatization index of EBRD. Selected countries
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/privatization_index_EBRD_selected_countries.xlsx"
if(!file.exists("privatization_index_EBRD_selected_countries.xlsx")){
download.file(url, destfile = "privatization_index_EBRD_selected_countries.xlsx", method = "curl")
}
## 10. % of privatization in the total Ukrainian budget receipts per year
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx"
if(!file.exists("privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx")){
download.file(url, destfile = "privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx", method = "curl")
}
## 11. Data on the groups, number and years of privatized companies in the Ukraine
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/265e2aa7/Data/privatization_ua.xlsx"
if(!file.exists("privatization_ua.xlsx")){
download.file(url, destfile = "privatization_ua.xlsx", method = "curl")
}
## 12. Ukrainian Budget Receipt from privatization (comulative total)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/ukr_budget_receipt_comulative_total.xlsx"
if(!file.exists("ukr_budget_receipt_comulative_total.xlsx")){
download.file(url, destfile = "ukr_budget_receipt_comulative_total.xlsx", method = "curl")
}
## 13. Ukrainian Budget Receipt from privatization (per year)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/f0973d87/Data/ukr_budget_receipt_per_year.xlsx"
if(!file.exists("ukr_budget_receipt_per_year.xlsx")){
download.file(url, destfile = "ukr_budget_receipt_per_year.xlsx", method = "curl")
}
## 14. Number of privatized companies of groups В,G by industries on.01.01.2005
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/9aac259c/Data/privatization_by_economic_activity.xlsx"
if(!file.exists("privatization_by_economic_activity.xlsx")){
download.file(url, destfile = "privatization_by_economic_activity.xlsx", method = "curl")
}
## 15. Analysis of the control over the fulfillment of the terms of sales contracts by groups of privatization objects
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/00c8fffa/Data/violations_in_%20the_%20contracts_over_control.xlsx"
if(!file.exists("violations_in_ the_ contracts_over_control.xlsx")){
download.file(url, destfile = "violations_in_ the_ contracts_over_control.xlsx", method = "curl")
}
## 16. Penalties accrued for violating the terms of contracts of sale and purchase of privatization objects by years
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/00c8fffa/Data/penalties_per_violation_in_the_contracts_over_control.xlsx"
if(!file.exists("penalties_per_violation_in_the_contracts_over_control.xlsx")){
download.file(url, destfile = "penalties_per_violation_in_the_contracts_over_control.xlsx", method = "curl")
}
## 17. Salaries in Ukraine by economic activity and company (orgainzation, institution, body) legal form in 2015 (UAH)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/8355cb04/Data/salaries%20by%20economic%20activity.xlsx"
if(!file.exists("salaries by economic activity.xlsx")){
download.file(url, destfile = "salaries by economic activity.xlsx", method = "curl")
}
## 18. Labour force of Ukraine by economic activity in 2015 (%)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/8355cb04/Data/labour%20force%20by%20economic%20activity.xlsx"
if(!file.exists("labour force by economic activity.xlsx")){
download.file(url, destfile = "labour force by economic activity.xlsx", method = "curl")
}
## 19. Global Economic Monitor.
url <- "http://databank.worldbank.org/data/download/GemDataEXTR.zip"
if(!file.exists("GemDataEXTR.zip")){
download.file(url, destfile = "GemDataEXTR.zip")
}
# Extract the desired file from zip
unzip("GemDataEXTR.zip", files = "Industrial Production, constant 2010 US$, not seas. adj..xlsx")
## 20. Monopolization of Ukraine by years
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/79475ea3/Data/monopoly%20by%20year.xlsx"
if(!file.exists("monopoly by year.xlsx")){
download.file(url, destfile = "monopoly by year.xlsx", method = "curl")
}
## 21. Monopolization by the branches of national economy
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/79475ea3/Data/Monopolization%20by%20the%20branches%20of%20national%20economy.xlsx"
if(!file.exists("Monopolization by the branches of national economy.xlsx")){
download.file(url, destfile = "Monopolization by the branches of national economy.xlsx", method = "curl")
}
## 22. Monopolization level by economic activity
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/79475ea3/Data/monopolization%20level%20by%20economic%20activity.xlsx"
if(!file.exists("monopolization level by economic activity.xlsx")){
download.file(url, destfile = "monopolization level by economic activity.xlsx", method = "curl")
}
## 23. Wearout of fixed assets (%) (Fig.70-72)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/6bd2543c/Data/fixed%20assets.xlsx"
if(!file.exists("fixed assets.xlsx")){
download.file(url, destfile = "fixed assets.xlsx", method = "curl")
}
## 24. Foreign direct investments (ukrstat) (Fig.73)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/42b4d464/Data/direct%20investments%20ukrstat.xlsx"
if(!file.exists("fixed assets.xlsx")){
download.file(url, destfile = "direct investments ukrstat.xlsx", method = "curl")
}
## 25. % of offshore zones investments in Ukraine (Fig.74)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/8c837f85/Data/offshore%20zones%20investments.xlsx"
if(!file.exists("offshore zones investments.xlsx")){
download.file(url, destfile = "offshore zones investments.xlsx", method = "curl")
}
## 26. % of offshore zones and Netherlands investments in Ukraine (Fig.74a)
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/42b4d464/Data/offshore%20zones%20%2BNetherlands%20investments.xlsx"
if(!file.exists("offshore zones +Netherlands investments.xlsx")){
download.file(url, destfile = "offshore zones +Netherlands investments.xlsx", method = "curl")
}
#----------------------------------------------------------------------------------------------------------------
#READ FILES
## 1. Extractive Industry Data
ExtractiveIndustry <- read.xlsx("Extractive industry.xlsx", sheetName="extractive industry", header=TRUE)
## 2. Processing Industry Data
ProcessingIndustry <- read.xlsx("Processing industry_fin.xlsx", sheetName="processing industry", header=TRUE)
## 3. Investments in the fixed assets of ukrainain companies by type of the economic activity per year
FixedAssetsInvestments <- read.xlsx("investments in the fixed assets.xlsx", sheetName="investments in the fixed assets",header=TRUE)
## 4. Data on the number of people employed in various sectors of the economy for years
Labour <- read.xlsx("labour.xlsx", sheetName="labour of ukraine", header=TRUE)
## 4a. Data on the number of people employed in economic activities
Employed_in_economic <- read.xlsx("employed_in_economic_activity.xlsx", sheetName="employed in activities", header=TRUE)
## 5. Private sector share in GDP (in per cent)
#GDPprivat <- read.xlsx("GDP_by_private_companies_ua_by_year.xlsx", sheetName="GDP by private companies in Ukr", header=TRUE)
GDPprivat <- read.xlsx("sci.xls", sheetName="Ukraine", header=TRUE)
## 6. Data on investments in privatized companies by years
PrivatizedCompaniesInvestments <- read.xlsx("investments_in_privatized_companies.xlsx", sheetName="invest", header=TRUE)
## 7. Data on Enterprises by ownership
OwnershipData <- read.xlsx("number_of_enterprices_ by_ownership_ua.xlsx", sheetName="enterprises by ownership", header=TRUE)
## 8. Privatization contracts by State control over the fulfillment of the terms of sales contracts by groups of privatization objects
PrivStateControl <- read.xlsx("privatization_contracts_over_control.xlsx", sheetName="control over contracts", header=TRUE)
## 9. Privatization index of EBRD. Selected countries
PrivIndexEBRD <- read.xlsx("privatization_index_EBRD_selected_countries.xlsx", sheetName="privatization index", header=TRUE)
## 10. % of privatization in the total Ukrainian budget receipts per year
BudgetPrivReceipts <- read.xlsx("privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx", sheetName="% of privatization in total ", header=TRUE)
## 11. Data on the groups, number and years of privatized companies in the Ukraine
PrivatizationUA <- read.xlsx("privatization_ua.xlsx", sheetName="privatization", header=TRUE)
## 12. Ukrainian Budget Receipt from privatization (comulative total)
BudgetPriv_comulative <- read.xlsx("ukr_budget_receipt_comulative_total.xlsx", sheetName="budget receipt comulative", header=TRUE)
## 13. Ukrainian Budget Receipt from privatization (per year)
BudgetPriv_perYear <- read.xlsx("ukr_budget_receipt_per_year.xlsx", sheetName="budget receipts per year", header=TRUE)
## 14. Number of privatized companies of groups В,G by industries on.01.01.2005
Priv_economic_activity <- read.xlsx("privatization_by_economic_activity.xlsx", sheetName="privatization by econom.act.", header=TRUE)
## 15. Analysis of the control over the fulfillment of the terms of sales contracts by groups of privatization objects
Violations_contracts <- read.xlsx("violations_in_ the_ contracts_over_control.xlsx", sheetName="violations", header=TRUE)
## 16. Penalties accrued for violating the terms of contracts of sale and purchase of privatization objects by years
Penalties_per_violation <- read.xlsx("penalties_per_violation_in_the_contracts_over_control.xlsx", sheetName="penalties", header=TRUE)
## 17. Salaries in Ukraine by economic activity and company (orgainzation, institution, body) legal form in 2015 (UAH)
Salaries <- read.xlsx("salaries by economic activity.xlsx", sheetName="salaries by econom.act.", header=TRUE)
## 18. Labour force of Ukraine by economic activity in 2015 (%)
Labour_force <- read.xlsx("labour force by economic activity.xlsx", sheetName="labour force by econom.act.", header=TRUE)
## 19. Global Economic Monitor -> Industrial production
Industrial_production <- read.xlsx("Industrial Production, constant 2010 US$, not seas. adj..xlsx", sheetName="annual", header=TRUE)
## 20. Monopolization of Ukraine by years
Monopoly_ua <- read.xlsx("monopoly by year.xlsx", sheetName="market type", header=TRUE)
## 21. Monopolization by the branches of national economy
Monopoly_by_branches <- read.xlsx("Monopolization by the branches of national economy.xlsx", sheetName="monoply by branch of nationecon", header=TRUE)
## 22. Monopolization level by economic activity
Monopoly_by_activity <- read.xlsx("monopolization level by economic activity.xlsx", sheetName="monopoly by econ.act.", header=TRUE)
## 23. Wearout of fixed assets (%) (Fig.70-72)
Depreciation_fixed_assets <- read.xlsx("fixed assets.xlsx", sheetName="wearout by ec.act.", header=TRUE)
## 24. Foreign direct investments (ukrstat) (Fig.73)
direct.investments.goskomstat <- read.xlsx("direct investments ukrstat.xlsx", sheetName="direct investments_ukr", header=TRUE)
## 25. % of offshore zones investments in Ukraine (Fig.74)
Offshore_investments <- read.xlsx("offshore zones investments.xlsx", sheetName="offshore investments", header=TRUE)
## 26. % of offshore zones and Netherlands investments in Ukraine (Fig.74a)
Offshore.andN_investments <- read.xlsx("offshore zones +Netherlands investments.xlsx", sheetName="offshore investments", header=TRUE)
# 1. Extractive Industry Data
## new column names of dataframe
colnames(ExtractiveIndustry) <- c("ProductName", "Units", "1990", "1991", "1992", "1993", "1994", "1995", "1996", "1997", "1998", "1999", "2000", "2001", "2002", "2003", "2004", "2005", "2006", "2007", "2008", "2009", "2010", "2011", "2012", "2013", "2014", "2015")
## new temporary dataframe
testDF <- data.frame()
## convert dataframe ExtractiveIndustry in to machine format
for (x in 1:15) {
year <- 1990
testDF$X.Coal.available. <- as.character(testDF$X.Coal.available.)
testDF$X.Million.tones. <- as.character(testDF$X.Million.tones.)
for(i in 3:28){
testDF$X.1990. <- as.numeric(testDF$X.1990.)
testDF$NA_character_. <- as.numeric(testDF$NA_character_.)
temp <- c(as.character(ExtractiveIndustry[x,1]),
as.character(ExtractiveIndustry[x,2]), as.numeric(ExtractiveIndustry[x,i]),
as.numeric(year))
testDF <- rbind(testDF, temp)
year <- year +1
}
}
## new column names of dataframe
colnames(testDF) <- c("ProductName", "Units", "Value", "Year")
## deleting of excess line
testDF <- testDF[-1,]
## deleting unnecessary characters in the text
testDF$ProductName <- gsub("\302\240"," - ",testDF$ProductName)
## Extractive Industry Data in new format
ExtractiveIndustry <- testDF
ExtractiveIndustry$Value <- as.numeric(ExtractiveIndustry$Value)
ExtractiveIndustry$Year <- as.factor(ExtractiveIndustry$Year)
#2. Processing Industry Data
## new column names of dataframe
colnames(ProcessingIndustry) <- c("ProductName", "Units", "1990", "1991", "1992", "1993", "1994", "1995", "1996", "1997", "1998", "1999", "2000", "2001", "2002", "2003", "2004", "2005", "2006", "2007", "2008", "2009", "2010", "2011", "2012", "2013", "2014", "2015")
## change class of the columns
for(i in 3:28){
ProcessingIndustry[,i] <- suppressWarnings(as.numeric(as.character(ProcessingIndustry[,i])))
}
## new temporary dataframe
testDF <- data.frame()
## convert dataframe ProcessingIndustry in to machine format
for (x in 1:152) {
year <- 1990
testDF$X.Fresh..fresh.killed..or.cooled.beef.and.veal. <- as.character(testDF$X.Fresh..fresh.killed..or.cooled.beef.and.veal.)
testDF$X.Thousand.tons. <- as.character(testDF$X.Thousand.tons.)
for(i in 3:28){
testDF$X.1990. <- as.numeric(testDF$X.1990.)
testDF$NA_character_. <- as.numeric(testDF$NA_character_.)
temp <- c(as.character(ProcessingIndustry[x,1]),
as.character(ProcessingIndustry[x,2]), as.numeric(ProcessingIndustry[x,i]),
as.numeric(year))
testDF <- rbind(testDF, temp)
year <- year +1
}
}
## new column names of dataframe
colnames(testDF) <- c("ProductName", "Units", "Value", "Year")
## deleting of excess line
testDF <- testDF[-1,]
## deleting unnecessary characters in the text
testDF$ProductName <- gsub("\302\240"," ",testDF$ProductName)
testDF$ProductName <- gsub("\342\200\223"," ",testDF$ProductName)
## Extractive Industry Data in new format
ProcessingIndustry <- testDF
ProcessingIndustry$Value <- as.numeric(ProcessingIndustry$Value)
#ProcessingIndustry$Year <- as.factor(ProcessingIndustry$Year)
# 3. Organization of data for plotting Fig.2.
## Create a function "count_priv_companies" that counts the number of privatized enterprises per group for a given period of time
count_priv_companies <- function(year) {
# Download tha Data of privatized companies in the Ukraine
url <- "https://cdn.rawgit.com/i2alex/Privatization-in-Ukraine.-1992-2015/265e2aa7/Data/privatization_ua.xlsx"
if(!file.exists("privatization_ua.xlsx")){
download.file(url, destfile = "privatization_ua.xlsx", method = "curl")
}
# Read th Data
PrivatizationUA <- read.xlsx("privatization_ua.xlsx", sheetName="privatization", header=TRUE)
# Delete Na's
good <- complete.cases(PrivatizationUA)
PrivatizationUA_clean <- PrivatizationUA[good,]
# Change the column class and give to Na's the value of 1993 year, which was previously 1992-1993
PrivatizationUA_clean$Year <- suppressWarnings(as.numeric(as.character(PrivatizationUA_clean$Year)))
PrivatizationUA_clean$Year[c(1,24,46)] <- 1993
# Create a temporary dataframes
Privatized_byYear <- data.frame()
temp2 <- data.frame()
temp3 <- data.frame()
# Assign to X the value of classes of privatized enterprises
x <- c("A", "B,G", "D", "E", "Zh")
# for-loop which counts the number of enterprises for the given years
for(i in x){
for(y in year){
temp <- PrivatizationUA_clean %>% filter(Companies.class == i & Year == y)
temp2 <- rbind(temp2, temp)
}
temp3 <- temp2 %>%
summarise(Companies.class = i ,Number.of.privatized.companies = sum(Number.of.privatized.companies))
Privatized_byYear <- rbind(Privatized_byYear, temp3)
temp2 <- NULL
}
# Output the result value
Privatized_byYear
}
# 4. Private sector share in GDP (in per cent)
GDPprivat2 <- GDPprivat
GDPprivat <- data.frame(GDPprivat2[2,3],GDPprivat2[5,3])
for(i in 4:9){
temp <- data.frame(GDPprivat2[2,i],GDPprivat2[5,i])
names(GDPprivat) <- names(temp)
GDPprivat <- rbind(GDPprivat, temp)
}
colnames(GDPprivat) <- c("Year", "% of GDP by private companies")
# 5. Scraping of data from the Internet, cleaning them, and creating a new dataframe with minimum wage data for the countries of the world (Year 2013. For Fig. 36)
# Указываем страницу с данными
page <- read_html("http://www.nationmaster.com/country-info/stats/Labor/Salaries-and-benefits/Monthly-minimum-wage")
# Скачиваем столбик - country
country <- page %>% html_nodes(".full") %>%
html_text()
# Скачиваем столбик - amount
amount <- page %>% html_nodes(".amount") %>%
html_text()
# Удаляем лишнюю строку
amount <- amount[-1]
# Объеденяем оба столбца в одну таблицу
df <- data.frame(country, amount)
# Чистим полученые данные.
df$amount <- gsub("\r\n","",df$amount)
df$amount <- str_trim(df$amount) # удаление пробелов
df$amount <- gsub("EUR","",df$amount)
df$amount <- gsub(",","",df$amount)
df$amount <- as.numeric(df$amount)
MinWage <- df
colnames(MinWage) <- c("Country", "EUR")
# 6. Scraping of data from the Internet, cleaning them, and creating a new dataframe with avarage wage data for the countries of the world (Year 2013. For Fig. 37)
# Указываем страницу с данными
page <- read_html("http://www.nationmaster.com/country-info/stats/Cost-of-living/Average-monthly-disposable-salary/After-tax")
# Скачиваем столбик - country
country <- page %>% html_nodes(".full") %>%
html_text()
# Скачиваем столбик - amount
amount <- page %>% html_nodes(".amount") %>%
html_text()
# Удаляем лишнюю строку
amount <- amount[-1]
# Объеденяем оба столбца в одну таблицу
AvWage <- data.frame(country, amount)
# Чистим полученые данные.
AvWage$amount <- gsub("\r\n","",AvWage$amount)
AvWage$amount <- str_trim(AvWage$amount) # удаление пробелов
AvWage$amount <- gsub("\\$","",AvWage$amount)
AvWage$amount <- gsub(",","",AvWage$amount)
AvWage$amount <- as.numeric(AvWage$amount)
colnames(AvWage) <- c("Country", "USD")
# 7. Industrial production (for Fig.38)
## Выбираем из таблицы необходимые нам страны
Industrial_production <- select(Industrial_production, c(c......1991....1992....1993....1994....1995....1996....1997..., Lithuania, Latvia, Russian.Federation, Ukraine))
## Меняем форму таблицу
Industrial_production <- gather(Industrial_production, Country, `Billions USD`, Lithuania:Ukraine)
## Warning: attributes are not identical across measure variables; they will
## be dropped
## Переименовуем колонки
colnames(Industrial_production) <- c("Year", "Country", "Billions USD")
## Измняем класс Industrial_production$`Billions USD` на numeric
Industrial_production$`Billions USD` <- as.numeric(Industrial_production$`Billions USD`)
## Warning: NAs introduced by coercion
## Для удобной работы делем все на 1 млрд
Industrial_production$`Billions USD` <- Industrial_production$`Billions USD`/1000000000
## Убираем лишние строки
Industrial_production$Year <- as.numeric(as.character(Industrial_production$Year))
Industrial_production <- Industrial_production %>% filter(Year > 0)
## Данные по Белоруссии берем из другой базы данных - Quandl
ind.production_belorussia <- Quandl("WORLDBANK/BLR_IPTOTSAKD", api_key="JssWArVnQEHLZBv_ifzu", type="xts")
## Создаем из них отдельную таблицу по Белоруссии
ipb <- data.frame(Year = 1991:2015, Country = rep("Belorussia", 25), `Billions USD` = ind.production_belorussia[1:25,1]/1000000000)
## Объеденяем все страны в одну таблицу
names(ipb) <- names(Industrial_production)
Industrial_production <- rbind(Industrial_production, ipb)
# .8 Data cleaning for the section on monopoly
colnames(Monopoly_ua) <- c("Market.type", "Year", "Market.share(%)")
colnames(Monopoly_by_branches) <- c("Market.type", "Branch", "%")
colnames(Monopoly_by_activity) <- c("Economic.activity", "Type.of.the.market", "%")
Большинство статистических данных раздела «Приватизация в Украине 1992-2015 гг.» (рис.1-3), касающиеся количественных показателей приватизированных объектов в Украине по группам и годам взяты из официальных итоговых годовых отчетов Фонда государственного имущества Украины за соответствующие годы (с 1992 по 2016). На момент последней редакции данной работы, эти отчеты можно было выбрать среди других документов и загрузить на портале Фонда в разделе Деятельность /Отчеты Фонда по ссылке http://www.spfu.gov.ua/ru/documents/docs-list/spf-reports.html . Отчеты меняли свою структуру из года в год, но в основном (особенно в последние годы), общие количественные данные по приватизированным объектам представлялись в отчетах в приложении 1. Кроме того, для удобства читателя, данные отчеты были отобраны авторами и загружены на сайте __________. Для того, что бы иметь возможность отследить динамику приватизации объектов по годам и группам, таблицы с разбивкой по годам формировались из этих отчетов авторами самостоятельно. Данные авторских таблиц в формате excel могут быть загружены читателем на сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_ua.xlsx.* Данные графика 5 (индекс приватизации) взяты авторами из базы данных ЕБРР. Полные версии файлов с данными по индексу приватизации более чем по 50 странам могут быть самостоятельно загружены читателем на портале ЕБРР (путь: Home/What We Do/EBRD economics/Economic data/Forecasts/data, indicators). На момент последней редакции данной работы это соответствовало ссылке http://www.ebrd.com/what-we-do/economic-research-and-data/data/forecasts-macro-data-transition-indicators.html. Кроме того, для удобства читателя, данные файлы были загружены авторами на сайт __________. На основе данных, выбранных для анализируемых стран, авторами была сформирована таблица в формате excel, которая так же загружена на сайт https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_index_EBRD_selected_countries.xlsx.*
Исходные статистические данные поступлений в государственный бюджет Украины, полученные от приватизации (Рис.6), так же взяты в соответствующих ежегодных отчетах Фонда Госимущества (обычно они либо приводятся в теле отчета, либо, что более характерно для последних лет, выводятся в отдельное приложение). Авторские таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/ukr_budget_receipt_comulative_total.xlsx Эти данные стали основой для авторских расчетов данных графиков 7-10. Авторская таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/ukr_budget_receipt_per_year.xlsx* Данные, касающихся государственного контроля за выполнением условий договор купли-продажи (рисунки 11-18) так же приводятся в соответствующих разделах отчетов Фонда. Авторские таблицы в формате excel, построенные на базе этих данных, могут быть загружены читателем на сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_contracts_over_control.xlsx.*
Этап «большой приватизации» в Украине закончился в 2000 г. За 8 лет (в период с 1992 по 2000 г) было приватизировано 18204 объекта государственной собственности, что в два раза больше чем за следующие 15 лет. (с 2001 по 2016 гг). Всего за период независимости Украина избавилась от «балласта» и передала в частные руки более 28 тыс.предприятий. (Классификация предприятий по группам в соответствии с Законом Украины «О приватизации» приведена в Приложении 1). Большая их часть (более 15 тыс.), конечно же, относилась к так называемой «группе А» - малым предприятиям, стоимость основных фондов которых не превышает 1 млн. гривен. Предприятий групп В и Г – ( большие предприятия, а так же предприятия, имеющие стратегическое значение), было приватизировано более 7 тыс. При этом их львиная доля – более 97% - была приватизирована еще на этапе «большой приватизации» - до 2000 года. В основном это касалось предприятий пищевой, добывающей и перерабатывающей промышленности, металлургии, производства гражданских видов транспорта. Порядка 1400 объектов группы Ж (объекты социо-культурного назначения) так же были приватизированы за годы независимости. Из них около 40% - в период до 2000 года, и 60% - после. (Более детально см.Рис.1.и Рис.2)1
# Organization of data for plotting Fig.1.
# Clean Na's
good <- complete.cases(PrivatizationUA)
PrivatizationUA_clean <- PrivatizationUA[good,]
# Preparing data for plotting
x <- c("A", "B,G", "D", "E", "Zh")
#Creating a dataframe privatized companies by groups
Privatized_companies <- data.frame()
for(i in x){
temp <- PrivatizationUA_clean %>% filter(Companies.class == i)%>%
summarise(Companies.class = i ,Number.of.privatized.companies = sum(Number.of.privatized.companies))
Privatized_companies <- rbind(Privatized_companies, temp)
}
Privatized_companies$Companies.class <- as.factor(Privatized_companies$Companies.class)
# Output the table
Privatized_companies
## Companies.class Number.of.privatized.companies
## 1 A 15005
## 2 B,G 7086
## 3 D 3949
## 4 E 749
## 5 Zh 1386
# Plot the dataframe
ggplot(data = Privatized_companies, aes(x = Companies.class, y = Number.of.privatized.companies,
fill = Companies.class ))+
geom_bar(colour="black", stat = "identity")+
guides(fill=FALSE)+
scale_fill_brewer(palette="Pastel2") +
xlab("Class of privatized companies")+
ylab("Number of privatized companies")+
ggtitle("Fig.1. Number of enterprises privatized by 2016 by groups")
phase1 <- count_priv_companies(1993:2000)
phase2 <- count_priv_companies(2001:2005)
phase3 <- count_priv_companies(2006:2010)
phase4 <- count_priv_companies(2010:2015)
phase1$years <- as.factor(c("1992-2000", "1992-2000", "1992-2000", "1992-2000", "1992-2000"))
phase2$years <- as.factor(c("2001-2005", "2001-2005", "2001-2005", "2001-2005", "2001-2005"))
phase3$years <- as.factor(c("2006-2010", "2006-2010", "2006-2010", "2006-2010", "2006-2010"))
phase4$years <- as.factor(c("2010-2015", "2010-2015", "2010-2015", "2010-2015", "2010-2015"))
all_phases <- rbind(phase1, phase2, phase3, phase4)
ggplot(data = all_phases, aes(x = Companies.class, y = Number.of.privatized.companies,
fill = Companies.class ))+
geom_bar(colour="black", stat = "identity")+
guides(fill=FALSE)+
scale_fill_brewer(palette="Pastel2") +
xlab("Class of privatized companies")+
ylab("Number of privatized companies")+
ggtitle("Fig.2. Number of privatized enterprises by groups (1992-2015)")+
facet_grid(.~years, scales = "free")
Количество приватизированных предприятий по группам (1992-2015 гг)
all_phases2 <- spread(all_phases, years, Number.of.privatized.companies)
all_phases2
## Companies.class 1992-2000 2001-2005 2006-2010 2010-2015
## 1 A 8688 4040 1767 663
## 2 B,G 6777 241 27 50
## 3 D 1565 1977 304 116
## 4 E 544 124 55 43
## 5 Zh 630 557 154 58
Поскольку практически все предприятия групп В и Г были приватизированы до 2005 (7 тыс.) то структура приватизированных в этот период предприятий по отраслям промышленности даст нам общее понимание того, какие именно сектора реальной экономики государство передало в частные руки. (Рис.3) Как мы видим, основными отраслями промышленности, которых коснулась приватизация, стали машиностроение, строительство, пищевая и транспортная промышленность.
ggplot(data = Priv_economic_activity, aes(x = economic.activity, y = number.of.privatized.companies.on.01.01.2005,
fill = economic.activity))+
geom_bar(colour="black", stat = "identity")+
coord_flip()+
xlab("Economic activity")+
ylab("Number of privatized companies")+
ggtitle("Fig.3. Number of privatized companies by industries on.01.01.2005")
Приватизированные предприятия групп В,Г по отраслям промышленности на 01.01.2005 г.
Priv_economic_activity
## economic.activity number.of.privatized.companies.on.01.01.2005
## 1 Mashine building 1698
## 2 Construction 1355
## 3 Food industry 1167
## 4 Transport industry 1092
## 5 Construction Materials 516
## 6 Light industry 391
## 7 Woodprocessing industry 241
## 8 Chemical industry 156
## 9 Ferrous metallurgy 123
## 10 Fuel industry 41
## 11 Power engineering 38
Об ударных темпах приватизации так же говорит и тот факт, что еще в 2001 году количество государственных предприятий составляло 5% от общего числа предприятий Украины, а уже в 2014 – только 2% (около 6 тыс.), Из них более 2 тыс. относились к предприятиям военно-промышленного комплекса и инфраструктурным предприятиям – отраслям промышленности, пока практически избежавшим приватизации.4 (рис.4).
ggplot(data = OwnershipData, aes(x = year, y = number.of.enterprices,
fill = enterprise.ownership ))+
geom_bar(colour="black", stat = "identity")+
xlab("Class of privatized companies")+
ylab("Number of privatized companies")+
ggtitle("Fig.4. Number of state and private enterprises in Ukraine by years")
Количество государственных и частных предприятий Украины по годам
OwnershipData2 <- spread(OwnershipData, enterprise.ownership, number.of.enterprices)
OwnershipData2
## year private state
## 1 2001 192168 9965
## 2 2006 248211 7562
## 3 2007 258536 7359
## 4 2008 270331 7213
## 5 2009 278574 6975
## 6 2010 283697 6801
## 7 2011 285821 6661
## 8 2012 283911 6512
## 9 2013 280073 6075
## 10 2014 278227 5933
Даже Европейский Союз в лице Европейского Банка Реконструкции и Развития довольно высоко оценил эти успехи Украины на пути передачи государственного имущества в более эффективные частные руки, как обязательного условия успешного экономического развития. В своем ежегодном исследовании, аналитики Банка выставляют индексовый показатель (от «1» до «5»), оценивающий уровень приватизации в стране для крупных и мелких предприятий6:
Приватизации крупных предприятий:
«1» - Низкий уровень приватизации. «2» - Всесторонняя схема почти готова к внедрению; некоторые продажи завершены. «3» - Более 25 процентов крупных предприятий перешли в частные руки или в процессе приватизации. «4» - Более 50 процентов государственных предприятий и сельскохозяйственных активов в частной собственности. «4+» - Стандарты и показатели типичны для передовых промышленно развитых стран: более 75 процентов активов предприятий в частной собственности.
Приватизация мелких предприятий:
«1» - низкий уровень приватизации. «2» Значительная доля приватизирована. «3» Комплексная программа почти готова к реализации. «4» Полная приватизация малых компаний с торгуемых права собственности. «4+» Стандарты и показатели характерны для развитых индустриальных экономик: нет государственной собственности малых предприятий;
По этому комплексному оценочному показателю, начав вместе с другими странами бывшего СССР с «1» в 1990 году, уже к 2014 году Украина поднялась к «3» по приватизации крупных предприятий и к «4» по приватизации малых предприятий, значительно обогнав Беларусь, и совсем немного отстав от Латвии и Литвы, которые прожили эти годы в «европейской семье». (см.рис.5)
PrivIndexEBRD$year <- as.factor(PrivIndexEBRD$year)
ggplot(data = PrivIndexEBRD, aes(x = year, y = privatization.index,
fill = country ))+
geom_bar(colour="black", stat = "identity")+
scale_fill_brewer(palette="Pastel2") +
xlab("Countries")+
ylab("EBRD privatization index")+
ggtitle("Fig.5. EBRD's assessment of the level of privatization by years.")+
facet_grid(privatization.class~country)
Приватизация в Украине, Беларуси, Латвии и Литве. Комплексная оценка ЕБРР по годам
PrivIndexEBRD2 <- spread(PrivIndexEBRD, year, privatization.index)
PrivIndexEBRD2
## country privatization.class 1990 2014
## 1 Belarus big 1 1.7
## 2 Belarus small 1 2.3
## 3 Latvia big 1 3.7
## 4 Latvia small 1 4.0
## 5 Lithuania big 1 4.0
## 6 Lithuania small 1 4.3
## 7 Ukraine big 1 3.0
## 8 Ukraine small 1 4.0
К каким результатам в экономике Украины, в совокупности с другими факторами, привело такое структурное изменение, как смена собственника с государственного на частного? Как отразилось на поступлениях в государственный бюджет? Стало ли подспорьем в борьбе с безработицей и бедностью? Подстегнуло ли к развитию промышленности?
Считается, что поступления в государственный бюджет от приватизации обычно «значительные», и являются важной статьей формирования доходной части бюджета. Уменьшение поступлений от приватизации в процентном соотношении за предыдущий отчетный период воспринимаются как «большая катастрофа», а увеличение – как «большое достижение», и всерьез и долго обсуждаются журналистами и экспертами в средствах массовой информации. Любознательный слушатель прямо сейчас может забить в поисковике словосочетание «поступления от приватизации в государственный бюджет» и убедиться, что это правда. Следует отметить, что Фонд Госимущества Украины, в своих ежегодных отчетах предпочитает публиковать график ежегодных поступлений в бюджет от приватизации по «накопительному итогу», т.е. прибавляя к отчетному периоду весь предыдущий «запас». В результате получается очень оптимистичная картина (Рис.6)7 некоего «стабильного роста», из которой следует, что всего за 1992-2015 гг от приватизации в бюджет страны поступило 63 млрд.грн.
ggplot(data = BudgetPriv_comulative, aes(x = Year, y = Million.UAH, group = 1))+
geom_area(stat = "identity", color="darkblue", fill = "lightblue", alpha=0.7)+
#geom_line(colour="darkblue", size = 0.5)+
geom_point(colour="blue", size = 1)+
xlab("Year")+
ylab("Million UAH")+
ggtitle("Fig.6 Incomes to Ukraine budget from privatization in 1992-2015
(cumulative total)")
Поступления в государственный бюджет Украины от приватизации 1992-2015 гг по накопительному итогу (млн.грн.)
BudgetPriv_comulative
## Year Million.UAH
## 1 1992-1999 1202.6
## 2 2000 3278.1
## 3 2001 5410.1
## 4 2002 5986.2
## 5 2003 8001.9
## 6 2004 17416.8
## 7 2005 38116.0
## 8 2006 36638.9
## 9 2007 41097.2
## 10 2008 41577.9
## 11 2009 42381.5
## 12 2010 43478.6
## 13 2011 54959.0
## 14 2012 61722.3
## 15 2013 63263.5
## 16 2014 63669.1
## 17 2015 63820.6
Однако, если посмотреть на реальные поступления в бюджет, не приплюсовывая «по-популистски» финансовые результаты всех предыдущих отчетных периодов к текущему, получится совершенно другая картина (рис.7)8.
ggplot(data = BudgetPriv_perYear, aes(x = Year, y = Million.UAH))+
geom_bar(colour="black", stat = "identity")+
xlab("Years")+
ylab("Millions UAH")+
ggtitle("Fig.7. Number of privatized companies by industries on.01.01.2005")
Поступления в государственный бюджет Украины от приватизации 1992-2015 гг по годам (млн.грн)
BudgetPriv_perYear
## Year Million.UAH Million.USD
## 1 1992-1999 1202.6 683.30
## 2 2000 2075.5 377.36
## 3 2001 2132.0 387.64
## 4 2002 576.1 104.75
## 5 2003 2015.7 366.49
## 6 2004 9414.9 1711.80
## 7 2005 20699.2 4098.58
## 8 2006 522.9 103.54
## 9 2007 2458.3 486.79
## 10 2008 480.7 60.09
## 11 2009 803.6 80.36
## 12 2010 1097.1 109.71
## 13 2011 11480.4 1148.04
## 14 2012 6763.3 676.33
## 15 2013 1541.2 154.11
## 16 2014 405.6 40.56
## 17 2015 151.5 6.06
«Пик» значительно больших поступлений в бюджет 2005 года связан с громкой ре-приватизацией «по честному» нескольких предприятий, проведенный правительством Тимошенко, а «пик» 2011 года – опять же, вынужденной необходимостью наполнить бюджет после президентских выборов 2010 г.
Так же стоит перевести «гривневые» поступления в бюджет Украины от приватизации в более «твердую валюту», например, в номинальные доллары США, что бы иметь возможность сравнивать эффективность приватизации в разные временные периоды. (рис.7а)
ggplot(data = BudgetPriv_perYear, aes(x = Year, y = Million.USD))+
geom_bar(colour="blue", fill = "white", stat = "identity")+
coord_cartesian(ylim=c(0, 3000))+
xlab("Years")+
ylab("Millions USD")+
ggtitle("Fig.7a. Number of privatized companies by industries on.01.01.2005")
Отдельно стоит отметить, что поступления в бюджет от приватизации за период 1992-2000 года – период, когда было приватизировано более 58% малых предприятий и 97% (!!!) больших и стратегически значимых предприятий, составили 1,06 млрд. номинальных долларов США, а поступления от приватизации с 2000 по 2015 год принесли более 9,5 млрд. – что в 9 раз больше. (Рис.8).
temp <- BudgetPriv_perYear[1:2,] %>% summarise(Year = "1992-2000", Million.USD = sum(Million.USD))
temp2 <- BudgetPriv_perYear[3:17,] %>% summarise(Year = "2001-2015", Million.USD = sum(Million.USD))
BudgetPriv_per2Phases <- rbind(temp, temp2)
#
ggplot(data = BudgetPriv_per2Phases, aes(x = Year, y = Million.USD, fill = Year))+
geom_bar(colour="black", stat = "identity")+
guides(fill=FALSE)+
xlab("Years")+
ylab("Millions USD")+
ggtitle("Fig.8. Comparison of revenues to the budget from privatization by period")
Интересным при этом представляется сравнить поступления от приватизации с другими статьями пополнения бюджета и определить долю, которую занимает приватизация в его структуре. (Табл.1.)
Таблица 1. Сравнение поступлений от приватизации с общей доходной частью государственного бюджета Украины (млн. грн.)9
colnames(BudgetPrivReceipts) <- c("Year", "Total Incomes", "Income from privatization", "% Priv. to total income")
BudgetPrivReceipts[,5] <- NULL
BudgetPrivReceipts
## Year Total Incomes Income from privatization % Priv. to total income
## 1 2000 36229.9 2075.5 5.7300000
## 2 2001 39726.5 2132.0 5.3700000
## 3 2002 45467.6 576.1 1.2700000
## 4 2003 55076.9 2015.7 3.6600000
## 5 2004 70337.8 9414.9 13.3900000
## 6 2005 105191.9 20699.2 19.6800000
## 7 2006 127516.0 522.9 0.4100662
## 8 2007 157287.0 2458.3 1.5629391
## 9 2008 231686.3 480.7 0.2100000
## 10 2009 209700.3 803.6 0.3800000
## 11 2010 240615.2 1097.1 0.4600000
## 12 2011 314616.9 11480.4 3.6500000
## 13 2012 346054.0 6763.3 1.9500000
## 14 2013 339180.3 1541.1 0.4500000
## 15 2014 357084.2 405.6 0.1100000
## 16 2015 534694.8 151.5 0.0300000
Из данных таблицы видно, что в среднем поступления от приватизации составляли 0,9% общих доходов государственного бюджета Украины. Просто для того, что бы убедиться воочию, насколько мала эта доля, отобразим это процентное соотношение на графике (рис.9).
perc_inc <- data.frame(sum(BudgetPrivReceipts$`Income from privatization`)/sum(BudgetPrivReceipts$`Total Incomes`)*100, 0)
temp <- c(100 - perc_inc[1,1])
perc_inc <- rbind(perc_inc, temp)
colnames(perc_inc) <- c("% revenues", "Source of replenishment of the state budget")
perc_inc$`Source of replenishment of the state budget` <- c("% revenues from privatization", "% revenues from other sources")
perc_inc$`% revenues` <- round(perc_inc$`% revenues`, 2)
#
ggplot(data = perc_inc, aes(x = `Source of replenishment of the state budget`, y = `% revenues`, fill = `Source of replenishment of the state budget`))+
geom_bar(colour="black", stat = "identity")+
scale_fill_brewer(palette="Pastel2") +
xlab("Years")+
ylab("Millions USD")+
ggtitle("Fig.9. Comparison of receipts from privatization with other articles of income")
Если сопоставить поступления в бюджет от приватизации в долларах США по годам с количеством приватизированных за тот же год объектов, то можно получить следующую картину (Рис.10). В 1992-1999 гг один объект приватизации (читай «бизнес») частные собственники покупали у государства в среднем за 41 тыс.дол.США. С 2000 по 2014 год приходилось платить в среднем уже порядка 370 тыс.дол.США, за исключением «конъюнктурных пиков» 2004-2005 и 2011-2012 годов, описанных выше, когда такие покупки обходились в 4-6 млн.дол. В 2015 году, к слову, выкуп одного бизнеса у государства опять практически вернулся к уровню 1992-1999 гг., составив 51 тыс.дол.США.
# Preparing data for figure 10
## The average cost of one privatized state enterprise from 1992 to 1999
avercost <- data.frame("1992-1999", BudgetPriv_perYear[1,3]/sum(count_priv_companies(1993:1999)$Number.of.privatized.companies)*1000)
avercost2 <- data.frame(as.numeric(NULL,NULL))
## The average cost of one privatized state enterprise from 2000 to 2015 by years
for(i in 2000:2015){
x <- filter(BudgetPriv_perYear, Year == i)[1,3]
y <- sum(count_priv_companies(i)$Number.of.privatized.companies)
temp <- data.frame(i, (x/y)*1000)
if (ncol(avercost2)==ncol(temp)) {names(avercost2) <- names(temp)}
avercost2 <- rbind(avercost2, temp)
}
## Combine the data of the periods 1992-1999 and 2000-2015 into one table
names(avercost) <- names(avercost2)
avercost <- rbind(avercost2, avercost)
colnames(avercost) <- c("Year", "Nominal thousand USD for 1 company")
avercost$`Nominal thousand USD for 1 company` <- round(avercost$`Nominal thousand USD for 1 company`, 2)
ggplot(data = avercost, aes(x = Year, y = `Nominal thousand USD for 1 company`, fill = `Nominal thousand USD for 1 company`))+
geom_bar(colour="black", stat = "identity")+
coord_cartesian(ylim=c(0, 4000))+
xlab("Years")+
ylab("Nominal thousand USD")+
ggtitle("Fig.10. The average cost of 1 privatized company by year")
Таблица–. Среднестатистическая стоимость 1го объекта приватизации по годам (ном.тыс.дол.США)
avercost
## Year Nominal thousand USD for 1 company
## 1 2000 221.33
## 2 2001 234.93
## 3 2002 65.72
## 4 2003 233.58
## 5 2004 1384.95
## 6 2005 4605.15
## 7 2006 154.08
## 8 2007 997.52
## 9 2008 110.87
## 10 2009 200.90
## 11 2010 535.17
## 12 2011 6636.07
## 13 2012 4001.95
## 14 2013 928.37
## 15 2014 405.60
## 16 2015 51.79
## 17 1992-1999 41.41
Кроме того, следует отметить, что приватизация предприятия, как и любая другая смена владельца, зачастую, влечет за собой реструктуризацию, а следовательно, увольнение людей. Поскольку люди, работающие на государственных предприятиях, социально защищены гораздо лучше, чем в частной структуре, все они пользуются системой «социальной защиты», становятся на биржу труда, регистрируются в центрах занятости. Общие затраты государства на 1-го безработного, проходящего через систему социальной защиты, как прямые (выплаты пособий, переобучение, и.т.д.) так и косвенные (зарплаты социальных работников, содержание офисов центров занятости, и т.д.), составляют примерно 5 тыс.евро на человека по оценкам эксперта аналитической платформы VoxUkraine Люка Ванкраена10. Этот же эксперт, в своей статье Outsourcing Privatization In Ukraine To Attract Capital And Raise Efficiency (Аутсорсинг приватизации в Украине для привлечения капитала и повышения эффективности) отмечает, что в результате приватизации только за последние 5 лет более 500 тыс.чел. попали в систему социальной зашиты, потеряв работу из-за реструктуризации предприятия, сменившего собственника. Путем несложных расчетов можно убедиться, что, к сожалению, за последние 5 лет на социальные выплаты, переквалификацию, поиск нового места работы, и т.д. для людей, потерявших работу из-за того, что предприятия, где они работали ранее, были приватизированы, государство потратило примерно 2,5 млрд. евро, а «заработало» на приватизации всего 2,134 млрд. (примерно на 20% меньше).
Конечно же, формально существует механизм , благодаря которому государство может контролировать некоторое время (обычно от 3х до 5-ти лет) дальнейшую судьбу объектов, проданных в частные руки. Это специальные условия, указанные в договорах купли-продажи объектов приватизации. Такими условиями могут являться: привлечение инвестиций в приватизированное предприятие, неизменность основных видов деятельности, сохранение (а иногда и увеличение) количества рабочих мест, сохранение объемов выпускаемой продукции, и т.д. Такие договора находятся на контроле Фонда госимущества, которым проводятся ежегодные проверки выполнения указанных условий. Всего по накопительному итогу на 2015 год Фонд госимущества «отслеживал судьбу» 12359 объектов приватизации (43% общего количества приватизированных объектов): из них 2937 – объекты незавершенного строительства (или почти 75% общего количества приватизированных объектов этой группы), 8341 – объекты малой приватизации (56% объектов группы) а так же 1081 объект групп В и Г – крупных и стратегически важных предприятий. Относительно именно этих объектов (В и Г), казалось бы, контроль должен быть максимальным, го государство именно в этой группе, по чему то, оставило за собой право интересоваться дальнейшей судьбой всего лишь 15% предприятий этой группы. (Рис.11 и 12).
PrivStateControl$control.status <- as.factor(PrivStateControl$control.status)
ggplot(data = PrivStateControl, aes(x = object.class, y = number.of.objects, fill = control.status))+
geom_bar(stat = "identity")+
scale_fill_brewer(palette="Pastel2")+
xlab("Group of enterprises")+
ylab("Number of enterprises")+
ggtitle("Fig.11. Privatized companies under state control and not controled.")
Сравнение количества объектов приватизации подлежащих государственному контролю с общим количеством объектов приватизации группы
PrivStateControl
## object.class control.status number.of.objects
## 1 A not controlled 6559
## 2 B,G not controlled 5997
## 3 D not controlled 689
## 4 A controlled 8341
## 5 B,G controlled 1081
## 6 D controlled 2937
x <- c("A", "B,G", "D")
underControl <- data.frame()
for(i in x){
temp <- PrivStateControl %>% filter(object.class == i) %>%
summarise(object.class = i, `% under state control` = number.of.objects[2]/sum(number.of.objects)*100)
underControl <- rbind(underControl, temp)
}
ggplot(data = underControl, aes(x = object.class, y = `% under state control`, fill = object.class))+
geom_bar(stat = "identity")+
scale_fill_brewer(palette="Pastel2")+
xlab("Group of enterprises")+
ylab("%")+
ggtitle("Fig.12. Percentage of privatized companies under state control")
Доля предприятий по группам, договор купли-продажи которых содержит дополнительные условия. (%)
underControl
## object.class % under state control
## 1 A 55.97987
## 2 B,G 15.27268
## 3 D 80.99835
Другими словами, в 85% случаях частный собственник, приобретая крупное или стратегически важное предприятие, не брал на себя никаких обязательств ни по привлечению инвестиций, ни по сохранению вида деятельности, ни по объемам выпускаемой продукции, ни по сохранению рабочих мест.
При этом, даже те собственники, которые брали на себя обязательства, соблюдали их отнюдь не всегда. Так, только официальные плановые проверки Фонда госимущества выявляли ежегодно нарушения условий договоров купли-продажи в среднем в 20% случаях от общего количества проверенных договоров. Как видно из графика (рис.13), наибольшее количество нарушений выявлялось на этапе «большой приватизации» - до 2000 года. После этого выявляемое проверками количество нарушений снизилось, и остается на уровне 14-15% ежегодно.
colnames(Violations_contracts) <- c("Year", "% contracts with violations")
Violations_contracts$Year <- as.factor(Violations_contracts$Year)
ggplot(data = Violations_contracts, aes(x = Year, y = `% contracts with violations`, group = 1))+
geom_point(colour="darkred", size = 1)+
geom_area(stat = "identity", color="red", fill = "red", alpha=0.4)+
xlab("Year")+
ylab("%")+
ggtitle("Fig.13. % Contracts with violations of the terms of sales of privatization objects")
Нарушения, выявляемые проверками условий выполнения договоров купли-продажи приватизированных объектов по годам (% к проверяемым договорам)
Violations_contracts
## Year % contracts with violations
## 1 1996 36.6
## 2 1997 32.4
## 3 1998 26.6
## 4 1999 20.8
## 5 2000 19.7
## 6 2001 17.9
## 7 2002 16.7
## 8 2003 13.7
## 9 2004 13.5
## 10 2005 15.0
## 11 2006 13.0
## 12 2008 14.0
## 13 2009 13.0
## 14 2012 12.6
## 15 2014 14.5
## 16 2015 13.4
При этом, каждый слушатель, без сомнения, будучи патриотом и любя свою страну, все же понимает уровень коррупции в ней, и может интуитивно оценить, каким, скорее всего, является реальный уровень нарушений, если данные официальных отчетов держатся на отметке 14-15%. Как же наказываются предприятия, которые нарушают условия договоров купли-продажи? Они оплачивают штрафы. Зная из отчетов Фонда госимущества количество предприятий-нарушителей и общую сумму штрафов, начисленную по результатам ежегодных проверок, несложно подсчитать, во сколько обходится предприятию невыполнение обязательств (в том числе и сохранение основных видов деятельности, создание рабочих мест, привлечение инвестиций). Для возможности сравнивать разные временные периоды, переведем сумму штрафов в номинальные дол.США. (См.рис.14.)
Penalties_per_violation2 <- filter(Penalties_per_violation, Category == "Penalties per violator")
Penalties_per_violation2$year <- as.factor(Penalties_per_violation2$year)
ggplot(data = Penalties_per_violation2, aes(x = year, y = Number, size=Number, group = 1))+
geom_line(colour="darkgray")+
geom_point(colour = "orange")+
xlab("Year")+
ylab("nominal US dollars per violator")+
ggtitle("Fig.14. Penalties accrued for violating the terms of privatization for 1 violator")
Штрафы, начисленные за нарушение условий договоров купли-продажи объектов приватизации по годам на 1 нарушителя (ном.дол.США)
Penalties_per_violation2
## year Category units Number
## 1 2003 Penalties per violator USD per violator 151
## 2 2005 Penalties per violator USD per violator 230
## 3 2006 Penalties per violator USD per violator 199
## 4 2008 Penalties per violator USD per violator 153
## 5 2009 Penalties per violator USD per violator 340
## 6 2012 Penalties per violator USD per violator 1029
## 7 2014 Penalties per violator USD per violator 641
## 8 2015 Penalties per violator USD per violator 254
Сумма штрафа на одно предприятие составляла в среднем 374 доллара США в год, что навряд ли можно назвать серьезным сдерживающим фактором, мотивирующим руководство предприятия не нарушать обязательства по приватизационному договору. А вот «крайняя мера» - возврат предприятия в государственную собственность за все 20 лет была применена всего к 336 объектам. Т.е. из-за невыполнения условий приватизационных договоров было возвращено чуть больше 2% всех приватизированных предприятий, держащихся на контроле в Фонде госимущества. Основной вынужденной необходимостью приватизации промышленных предприятий считается всеми понятное «нет денег» у государства на модернизацию изношенных основных фондов, замену морально-устаревшего оборудования, квалифицированный менеджмент, маркетинг и т.д. Считается, что новый владелец – частник - обязательно вложит инвестиции в купленную собственность, создаст новые рабочие места, повысит зарплаты и предприятие получит «вторую жизнь». Давайте проанализируем по некоторым показателям успехи приватизированных в Украине предприятий14:.
В ежегодных отчетах Фонд госимущества так же публикует статистику по привлеченным в приватизированные предприятия инвестициям по накопительному итогу – картинка получается позитивная, линия графика инвестиций стремится вверх, достигая в 2015 году отметки почти в 30 млрд.грн. (Рис.15)15
# Пересчитываем таблицу, показывая ежегодный результат по накопительному методу
PCIcommulative <- data.frame(PrivatizedCompaniesInvestments[1,1], PrivatizedCompaniesInvestments[1,2])
for (i in 2:14){
temp <- data.frame(PrivatizedCompaniesInvestments[i,1], PrivatizedCompaniesInvestments[i,2] +
PCIcommulative[i-1,2])
names(PCIcommulative) <- names(temp)
PCIcommulative <- rbind(PCIcommulative, temp)
}
colnames(PCIcommulative) <- c("Year", "Million UAH")
ggplot(data = PCIcommulative, aes(x = Year, y = `Million UAH`, group = 1))+
geom_line(colour="darkgreen", size = 1)+
geom_point(colour = "orange")+
geom_smooth(method = "loess")+
xlab("Year")+
ylab("Million UAH")+
ggtitle("Fig.15. Investments in privatized enterprises by cumulative total (Billion UAH)")
Инвестиции в приватизированные предприятия по накопительному итогу (млрд.грн)
PrivatizedCompaniesInvestments
## Year million.UAH million.USD
## 1 1995-2002 4620 1026.66667
## 2 2003 670 121.81818
## 3 2004 530 96.36364
## 4 2005 1060 209.90099
## 5 2006 1210 239.60396
## 6 2007 1310 259.40594
## 7 2008 510 63.75000
## 8 2009 6790 679.00000
## 9 2010 1170 117.00000
## 10 2011 1780 178.00000
## 11 2012 2360 236.00000
## 12 2013 2130 213.00000
## 13 2014 1360 136.00000
## 14 2015 2330 93.20000
ggplot(data = PrivatizedCompaniesInvestments, aes(x = Year, y = million.USD, group = 1))+
geom_line(colour="darkorange", size = 1)+
geom_point(aes(colour = million.USD, size = million.USD))+
geom_smooth(method = "loess")+
xlab("Year")+
ylab("Million USD")+
ggtitle("Fig.16. Investments in privatized enterprises by year (million USD)")
Инвестиции в приватизированные предприятия по годам (млн.ном.дол.США)
PrivatizedCompaniesInvestments[,-2]
## Year million.USD
## 1 1995-2002 1026.66667
## 2 2003 121.81818
## 3 2004 96.36364
## 4 2005 209.90099
## 5 2006 239.60396
## 6 2007 259.40594
## 7 2008 63.75000
## 8 2009 679.00000
## 9 2010 117.00000
## 10 2011 178.00000
## 11 2012 236.00000
## 12 2013 213.00000
## 13 2014 136.00000
## 14 2015 93.20000
Итого, в приватизированные предприятия Украины частный собственник за 20 лет (с 1995 по 2015 год) вложил 3,6 млрд.дол.США. Если разделить эту сумму на все объекты приватизированной недвижимости, (28 тыс), получится, что каждое предприятие получало чуть более 6 тыс.дол. в год (или 130 тысяч долларов по накопительному итогу за все 20 лет). Даже, предположив, что инвестиции получали только крупные предприятия и объекты «недостроя», что составит 11 тыс.объектов (исключив из общего числа объекты малой приватизации), все равно сумма получится незначительной – 16,7 тыс.дол. ежегодно (или 330 тыс.долларов по накопительному итогу за 20 лет). Очевидно, что подобную сумму вряд ли можно счесть такой, которая в состоянии привести к качественным изменениям, позволяющим предприятиям стать конкурентоспособными на международном рынке, и говорить, например, о модернизации морально-устаревшего станочного парка или замены изношенных основных фондов, к сожалению, не приходится.
В среднем только в 7% случаев, заключая договор о купле-продаже со специальными условиями, государство вводило в договор условие о сохранении рабочих мест и только в 5% случаев – условие о создании новых рабочих мест. (Рис.17). При этом не стоит забывать, что эта «опека» касалась только тех объектов, которые находились на контроле у государства (42% от всех приватизированных).
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
Кроме того, интересными представляются и абсолютные цифры, о которых идет речь. Так, в среднем с 2000 по 2005 года, ежегодно приватизированные предприятия брали на себя обязательства по созданию 3000 рабочих мест. В 2015 году на приватизированных предприятиях было создано 234 рабочих места, с 2015 по конец 2017 предприятия должны создать еще 568 рабочих места. (Рис.18). Даже для масштабов областного центра эти цифры просто смешны, а в масштабах страны их вполне можно назвать стремящимися к нулю. При том, что в 2015 году только на учете в центрах занятости как безработные стояло 400 тыс.чел.17:, создание 234 рабочих мест (0,05%) на вряд ли стоит принимать во внимание.
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
# НЕ ГОТОВО
Данные графиков 19-24 взяты из базы данных индикаторов Мирового Банка. Каждый график снабжен ссылкой на соответствующий файл, на момент последней редакции этой работы. Графики 25 и 26 построены на основе данных, публикуемых ЕБРР. На момент последней редакции данной работы, эти данные можно было загрузить по ссылке http://www.ebrd.com/what-we-do/economic-research-and-data/data/forecasts-macro-data-transition-indicators.html. Кроме того, данный файл и авторская таблица доступны для скачивания на нашем сайте….
После 1991 года все страны бывшего СССР пережили глубокий экономический кризис, связанный с разрывом тесных экономических связей, большим количеством в экономике предприятий с незавершенным циклом производства, инфляцией, и т.д. Страны проводили экономические реформы, реструктуризировали промышленность, приватизировали ранее принадлежавшие государству предприятия.
Давайте рассмотрим несколько показателей экономического развития Украины, и для сравнения будем использовать аналогичные показатели и других стран, которые в 1990 году были в той же отправной точке, что и Украина, но выбрали разные пути развития – Беларусь, Россию (государственный капитализм) и Латвию, Литву (либеральная открытая экономика). После стремительного падения после распада СССР, ВВП Украины стабильно рос, «догнав» в 2005 году показатель 1992 года. Экономический кризис 2008 года отбросил его на несколько лет назад. Следующие 5 лет, ВВП показывал ежегодный прирост, пока очередной кризис, вызванный уже скорее политическими причинами, опять не уменьшил его в два раза, с 183 млрд. долларов до 90 млрд. (см.Рис. 19)18.
gdp_data_ua <- wb(country = c("UA"), indicator = "NY.GDP.MKTP.CD", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
for(i in 1:24){
gdp_data_ua$value[i] <- gdp_data_ua$value[i]/1000000000
}
colnames(gdp_data_ua) <- c("GDP Billions USD", "Year", "Country")
ggplot(data = gdp_data_ua, aes(x = Year, y = `GDP Billions USD`, group = 1))+
geom_line(colour="darkorange", size = 1)+
geom_point(colour = "black", size = 2)+
geom_smooth(method = "loess")+
xlab("Year")+
ylab("Billions USD")+
ggtitle("Fig.19. GDP of Ukraine 1992-2015. (Nom. US dollars).")
ВВП Украины 1992-2015 гг. (ном.дол.США).
gdp_data_ua[,-3]
## GDP Billions USD Year
## 1 90.61502 2015
## 2 133.50341 2014
## 3 183.31015 2013
## 4 175.78138 2012
## 5 163.15967 2011
## 6 136.01316 2010
## 7 117.22777 2009
## 8 179.99241 2008
## 9 142.71901 2007
## 10 107.75307 2006
## 11 86.14202 2005
## 12 64.88306 2004
## 13 50.13295 2003
## 14 42.39290 2002
## 15 38.00934 2001
## 16 31.26172 2000
## 17 31.58096 1999
## 18 41.88324 1998
## 19 50.15040 1997
## 20 44.55808 1996
## 21 48.21475 1995
## 22 52.54339 1994
## 23 65.60752 1993
## 24 71.89643 1992
Если посмотреть на этот показатель в сравнении с выбранными нами бывшими «братскими республиками», то в 1990 году Украина находилась на третьем месте (6763 дол.США), уступая Литве и России (8695 и 8013 дол.США соответственно). Но к 2015 году Украина опустилась в этом рейтинге на последнее место (7940 дол.США), отставая уже более чем в два раза (!) от Беларуси, поднявшейся на четвертое место (17697 дол.США) и почти в 4 раза – от лидера – Литвы (27680 дол.США). (Рис.20). Прирост ВВП Украины за 25 лет составил всего 14%, в то время как другие выбранные для сравнения страны бывшего СССР в среднем показали 70% прироста ВВП за тот же период (см. Рис.20а).
gdp_data <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NY.GDP.MKTP.CD", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
for(i in 1:118){
gdp_data$value[i] <- gdp_data$value[i]/1000000000
}
temp <- grep("1992|1995|2000|2010|2015", gdp_data$date)
gdp_selectedY <- data.frame()
for(i in temp){
gdp_selectedY <- rbind(gdp_selectedY, gdp_data[i,])
}
colnames(gdp_selectedY) <- c("GDP Billions USD", "Year", "Country")
ggplot(data = gdp_selectedY, aes(x = Country, y = `GDP Billions USD`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("Billions USD")+
ggtitle("Fig.20. GDP some countries. 1992-2015")+
scale_fill_brewer(palette="Pastel2") +
coord_flip()+
facet_grid(Year~.)
ВВП по некоторым странам. 1992-2015 гг. (доллары США)
gdp_selectedY2 <- spread(gdp_selectedY, Year, `GDP Billions USD`)
gdp_selectedY2
## Country 1992 1995 2000 2010 2015
## 1 Belarus 17.02218 13.972638 12.736856 55.22093 54.60896
## 2 Latvia NA 5.788369 7.937759 23.76508 27.00283
## 3 Lithuania NA 7.870782 11.539211 37.13256 41.17073
## 4 Russian Federation 460.29056 395.531067 259.708496 1524.91611 1331.20775
## 5 Ukraine 71.89643 48.214752 31.261718 136.01316 90.61502
GDPgrowth <- data.frame()
countries <- c("Belarus", "Lithuania", "Latvia", "Russian Federation", "Ukraine")
for(i in countries){
temp <- gdp_data %>% filter(country == i)
c <- nrow(temp)
temp2 <- data.frame(temp[1,3], ((temp[c,1]/temp[1,1])-1)*(-100))
GDPgrowth <- rbind(GDPgrowth, temp2)
}
colnames(GDPgrowth) <- c("Country", "% of GDP growth")
ggplot(data = GDPgrowth, aes(x = Country, y = `% of GDP growth`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
scale_fill_brewer(palette="Pastel2") +
xlab("Countries")+
ylab("% of growth")+
ggtitle("Fig.20a. GDP growth in 2015 compared with 1990 (%)")
Прирост ВВП 2015 г по сравнению с 1992 г (%)
GDPgrowth
## Country % of GDP growth
## 1 Belarus 68.19277
## 2 Lithuania 80.88258
## 3 Latvia 78.56385
## 4 Russian Federation 61.17704
## 5 Ukraine 20.65728
За годы независимости друг от друга, не только абсолютная величина ВВП в этих странах значительно изменилась. Так же некоторые изменения претерпела и структура ВВП. Доля промышленности в ВВП сильно сократилась во всех анализируемых странах. Украина, некогда наиболее промышленая страна СССР претерпела самый большой процесс деиндустриализации. Доля промышленности в ВВП сократилась с 51% в 1992 году, до 26% в 2015 г. Самое меньшее скращение доли промышленности в ВВП претерпела Белорусия, упав всего на 8%, с 47,7% до 39,9%.
Доля сельского хозяйства значительно уменьшилась во всех странах без исключения, и, соответственно, доля сферы услуг выросла почти в 2 раза (см.Рис.21-23)
industry_gdp <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NV.IND.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
temp <- grep("1992|1995|2000|2010|2015", industry_gdp$date)
industry_gdp_selectedY <- data.frame()
for(i in temp){
industry_gdp_selectedY <- rbind(industry_gdp_selectedY, industry_gdp[i,])
}
colnames(industry_gdp_selectedY) <- c("Industry (% of GDP)", "Year", "Country")
ggplot(data = industry_gdp_selectedY, aes(x = Country, y = `Industry (% of GDP)`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("%")+
ggtitle("Fig.21. Industry, value added (% of GDP)")+
scale_fill_brewer(palette="Pastel2") +
coord_flip()+
facet_grid(Year~.)
Доля промышленности в ВВП страны (%)
industry_gdp_selectedY2 <- spread(industry_gdp_selectedY, Year, `Industry (% of GDP)`)
industry_gdp_selectedY2
## Country 1992 1995 2000 2010 2015
## 1 Belarus 47.77980 36.96839 39.17020 42.20506 39.97420
## 2 Latvia NA 30.26274 26.53727 23.85878 23.11596
## 3 Lithuania NA 31.51827 29.59527 29.06580 30.18047
## 4 Russian Federation 43.00748 36.95603 37.94561 34.69617 32.60456
## 5 Ukraine 50.91000 42.68424 36.31656 29.28666 26.30227
agro_gdp <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NV.AGR.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
temp <- grep("1992|1995|2000|2010|2015", agro_gdp$date)
agro_gdp_selectedY <- data.frame()
for(i in temp){
agro_gdp_selectedY <- rbind(agro_gdp_selectedY, agro_gdp[i,])
}
colnames(agro_gdp_selectedY) <- c("Agriculture (% of GDP)", "Year", "Country")
ggplot(data = agro_gdp_selectedY, aes(x = Country, y = `Agriculture (% of GDP)`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("%")+
ggtitle("Fig.22. Agriculture, value added (% of GDP)")+
scale_fill_brewer(palette="Pastel2") +
coord_flip()+
facet_grid(Year~.)
Доля сельского хозяйства в ВВП страны (%)
agro_gdp_selectedY2 <- spread(agro_gdp_selectedY, Year, `Agriculture (% of GDP)`)
agro_gdp_selectedY2
## Country 1992 1995 2000 2010 2015
## 1 Belarus 23.572321 17.460441 14.153227 10.569386 7.795778
## 2 Latvia NA 8.895919 5.118209 4.405188 3.161636
## 3 Lithuania NA 11.054790 6.277472 3.325049 3.250462
## 4 Russian Federation 7.393539 7.160512 6.434522 3.867401 4.630079
## 5 Ukraine 20.356473 15.400757 17.082808 8.421934 14.036335
service_gdp <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NV.SRV.TETC.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
temp <- grep("1992|1995|2000|2010|2015", service_gdp$date)
service_gdp_selectedY <- data.frame()
for(i in temp){
service_gdp_selectedY <- rbind(service_gdp_selectedY, service_gdp[i,])
}
colnames(service_gdp_selectedY) <- c("Services (% of GDP)", "Year", "Country")
ggplot(data = service_gdp_selectedY, aes(x = Country, y = `Services (% of GDP)`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Countries")+
ylab("%")+
ggtitle("Fig.23. Services, etc., value added (% of GDP)")+
scale_fill_brewer(palette="Pastel2") +
coord_flip()+
facet_grid(Year~.)
Доля сферы услуг в ВВП страны (%)
service_gdp_selectedY2 <- spread(service_gdp_selectedY, Year, `Services (% of GDP)`)
service_gdp_selectedY2
## Country 1992 1995 2000 2010 2015
## 1 Belarus 28.64788 45.57117 46.67657 47.22556 52.23002
## 2 Latvia NA 60.84134 68.34452 71.73603 73.72241
## 3 Lithuania NA 57.42694 64.12726 67.60916 66.56907
## 4 Russian Federation 49.59898 55.88345 55.61987 61.43643 62.76536
## 5 Ukraine 28.73353 41.91500 46.60063 62.29140 59.66140
Внешний долг как % ВВП страны вырос во всех анализируемых странах. Наибольшей величины он достиг в Латвии (почти 135% от ВВП), на втором месте Украина (81%), не на много отстала от Украины и Литва (72,6%), Беларусь и особенно Россия выглядят на их фоне как страны, не живущие «в долг» - (56 и 31% соответственно). Внешний долг как % ВВВ возрос за последние 10 лет возрос для всех стран, кроме России. Так, для Беларсуи – почти в 3 раза, для Латвии, Литвы и Украины – в 2 раза, а вот для России этот показатель уменьшился на 10%. (Рис.24)23.
external_debt <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "GC.DOD.TOTL.GD.ZS", startdate = 1990, enddate = 2015) %>% select(value, date, country)
colnames(external_debt) <- c("Government debt (% of GDP)", "Year", "Country")
ggplot(data = external_debt, aes(x = Year, y = `Government debt (% of GDP)`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("%")+
ggtitle("Fig.24. Central government debt, total (% of GDP)")+
scale_fill_brewer(palette="Pastel2") +
facet_grid(Country~., scales = "free")
Данные внешнего государственного долга по странам и периодам
external_debt2 <- spread(external_debt, Country, `Government debt (% of GDP)`)
external_debt2
## Year Belarus Latvia Lithuania Russian Federation Ukraine
## 1 1992 25.635479 NA NA NA NA
## 2 1993 5.186132 NA NA NA NA
## 3 1994 75.954859 NA NA NA NA
## 4 1995 16.880116 NA NA NA NA
## 5 1996 11.520117 NA NA NA NA
## 6 1997 12.171466 NA 14.51986 NA NA
## 7 1998 20.180540 NA 14.88472 143.950259 NA
## 8 1999 15.103119 NA 21.37825 100.744837 60.97645
## 9 2000 15.014452 NA NA 62.149283 45.28747
## 10 2001 11.440617 NA NA 48.983519 NA
## 11 2002 12.336686 NA NA 41.395860 NA
## 12 2005 6.570221 NA NA 16.660868 NA
## 13 2006 6.644402 NA NA 9.891073 NA
## 14 2007 8.909261 NA NA 7.158433 NA
## 15 2008 10.656634 NA NA 6.495295 13.82670
## 16 2009 19.185184 NA NA 8.697870 24.87512
## 17 2010 19.593715 75.13397 40.63815 9.098114 29.96956
## 18 2011 40.754852 66.04949 40.75320 8.701279 27.48276
## 19 2012 25.224401 62.89724 46.99984 8.701738 33.70310
## 20 2013 24.629697 59.44769 43.76050 9.318649 37.02872
## 21 2014 25.422592 NA NA 11.356362 63.66532
## 22 2015 38.869017 NA NA 13.923403 NA
При этом, логично ожидать, что одним из эффектов экономических реформ, в частности – приватизации, должно было стать быстрое и эффективное развитие частного сектора. Но, к сожалению, по крайней мере, для Украины это не оправдалось. Так, по данным ЕБРР, доля частного сектора в ВВП Украины в 2010 году по сравнению с 2004 уменьшилась на 5 % и составила 60%, вместо 65% в предыдущем периоде (рис.25)24. То есть, другими словами, государственные компании, даже потеряв в количестве, приобрели в эффективности работы, а вот предприятия, перешедшие из рук государства к частному собственнику, не то что не добавили частному сектору эффективности, а наоборот – потянули его на дно. Возможно, просто из-за того, что большинство их перестало существовать как промышленные предприятия, были ликвидированы и разпилины на металалом?
GDPprivat$`% of GDP by private companies` <- as.numeric(as.character(GDPprivat$`% of GDP by private companies`))
ggplot(data = GDPprivat, aes(x = Year, y = `% of GDP by private companies`, group = 1))+
geom_line(colour="darkblue", size = 1)+
geom_point(colour = "darkgreen", size = 2)+
xlab("Year")+
ylab("%")+
ggtitle("Fig.25. Private sector share in GDP (in per cent)")
Доля частных компаний в ВВП Украины (%)
GDPprivat
## Year % of GDP by private companies
## 1 2004 65
## 2 2005 65
## 3 2006 65
## 4 2007 65
## 5 2008 65
## 6 2009 60
## 7 2010 60
При этом, отдельно стоит отметить, что в 2010 году количество государственных предприятий составляло всего 2,3% от общего числа предприятий Украины. То есть, другими словами, 2,3% предприятий (государственные) генерировали 40% ВВП страны, а 97% предприятий (частные) – 60% ВВП Украины . Для наглядности отобразим это на диаграмме (рис 26).
d1 <- filter(OwnershipData, year == 2010)
d1$number.of.enterprices <- as.factor(d1$number.of.enterprices)
d2 <- filter(GDPprivat, Year == "2010")
temp <- data.frame(2010, 40)
names(temp) <- names(d2)
d2 <- rbind(temp, d2)
d2$enterprise.ownership <- c("state", "private")
p1 <- ggplot(data = d1, aes(x = enterprise.ownership, y = number.of.enterprices, fill = enterprise.ownership))+
geom_bar(colour="black", stat = "identity")+
guides(fill=FALSE)+
scale_fill_brewer(palette="Pastel2") +
xlab("Enterprise ownership")+
ylab("Number of Enterprises")+
ggtitle("The share of private and public enterprises in the total number of enterprises(2010)")
p2 <- ggplot(data = d2, aes(x = enterprise.ownership, y = `% of GDP by private companies`, fill = enterprise.ownership))+
geom_bar(colour="black", stat = "identity")+
scale_fill_brewer(palette="Pastel2") +
xlab("Enterprise ownership")+
ylab("%")+
ggtitle("Share of private and public sector in GDP (2010)")
grid.arrange(p1, p2, ncol = 2)
Источником данных за последние годы для графиков 27 и 28 стали официальные данные госкомстата Украины, которые публикуются в разделе статистическая информация/ демографические и социальные показатели/ рынок труда, (http://www.ukrstat.gov.ua/), при этом данные о более ранних годах (1990-2000гг) авторам пришлось брать уже из учебников, содержащих соответствующие разделы (например, Аграрна економіка і ринок. Іванух Р. А., Дусановський С. Л., Білан Є. М. - Тернопіль: “Збруч”, 2003. - 305 с.м http://buklib.net/books/31118/). Для удобства читателя, авторские таблицы, составленные по этим данным, можно загрузить на нашем сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/labour.xlsx.* Данные графиков 29-31 и 37а-в были взяты из ежегодного отчета Государственного комитета статистики Украины «Праця Украины 2015, который на момент последней редакции статьи можно было загрузить на сайте Комитета Статистики в разделе Публикации / рынок труда/ Праця України 2015/ (Разделы 6 и 7) http://www.ukrstat.gov.ua/druk/publicat/kat_u/publ11_u.htm . Этот отчет содержит большое количество статистических данных о занятости населения Украины в разрезе территориальных, юридических и экономических аспектов.* Данные для построения графиков 32-35 взяты из глобальной международной базы данных World Bank На момент последней редакции данной работы, эти и другие данные были доступны по ссылке http://datatopics.worldbank.org/jobs/* Графики 36-37 были построены на основе данных глобальной статистической базы NationMaster http://www.nationmaster.com/. Там можно отследить указанные показатели по многим странам.*
К сожалению, за последние 25 лет классификация занятости населения по отраслям экономики менялась не однократно. В разные периоды, например, «образование», относили к «науке», выделяли в отдельную строку отчетов, присоединяли к «культуре и спорту», объединяли с «социальными работниками». «Культуру и спорт» так же в разные периоды либо выделяли отдельно, либо объединяли с индустрией досуга. Досуг относился и к «другим услугам», и к «администрированию». «Социальных работников» в одни периоды объединяли с работниками образования, в другие периоды - с работниками здравоохранения, или так же относили к категории «другое». Из категории «транспорт и связь» выделили отдельно «телекоммуникацию», присовокупив к ней, однако, информацию. Учитывая такие структурные изменения в самих формах статистической отчетности детальный ретроспективный анализ вплоть до 1990 года не возможен ввиду отсутствия данных, пригодных для сравнения. Последние изменения в структуре отчетности были проведены в 2011 году, но последние 5 лет не отражают всех тенденций структурных изменений в занятости населения Украины. Единственные группы классификации занятости населения по отраслям экономики, которые не претерпевали «объединений» и «разделений», и потому остались доступными для ретроспективного анализа - это сельское хозяйство и промышленность. По этому, авторы предлагают воспользоваться международной практикой, характерной для большинства глобальных баз данных. В них, для простоты, в 2 отдельные группы выделяют, собственно, имеющиеся и у нас «промышленность» и «сельское хозяйство», а к третьей группе - «услуги» - относят все остальное. И так, за весь период независимости количество населения Украины, занятое в экономической деятельности, сократилось более чем на на 17 млн.кадров (с 25,4 в 1990 году до 8,3 млн. в 2015 году). (см.табл.2). При том, что в общем численность населения Украины по данным официальной статистики25 сократилась на 9 млн.чел. (с 51,8 в 1990 году до 42,9 млн. в 2015году). А численность населения трудоспособного возраста – всего на 4 млн. человек (30,3 млн. в 1990 году до 26,6 млн. в 2015 году.)26. При этом за 25 лет более 5 млн. специалистов (это почти 70% по сравнению с 1990 годом) потеряла промышленность Украины и 4,36 млн. специалистов (87% по сравнению с 1990 годом) потеряло сельское хозяйство (см.Таблицу 2)27. Вообще, изъятие более 17 млн. кадров из разных областей - невосполнимая потеря для экономики Украины. И если потерю 4 млн. кадрового потенциала объясняют естественные причины (выход на пенсию), то 13 млн.человек - это граждане, которые перешли в нерегламентированную и нелегальную занятость, из грамотных инженеров, технологов, производственников, переквалифицировавшись в неумелых менеджеров по продажам «всего, чего изволите», выехали на заработки за границу, или пополнили ряды безработных (Рис.27)28.
Employed_in_economic$year <- as.factor(Employed_in_economic$year)
ggplot(data = Employed_in_economic, aes(x = year, y = number, fill = category))+
geom_bar(colour="black", stat = "identity", position=position_dodge())+
xlab("Year")+
ylab("Million people")+
ggtitle("The population engaged in economic activity and the working-age pop. in total")
Сравнение численности населения Украины, занятого в экономической деятельности с численностью населения трудоспособного возраста 1990-2015 гг.
Employed_in_economic
## year category number
## 1 1990 Employed in economic activities 24.5
## 2 2015 Employed in economic activities 8.3
## 3 1990 Population of able-bodied age 30.3
## 4 2015 Population of able-bodied age 26.6
# Подготовка данных для Рис. 28
tmp_category <- c("Industry", "Agriculture", "Services")
labour_lost_perc <- data.frame()
labour_lost <- data.frame()
# Создание таблицы потерь рабочих мест по отрослям в процентых показателях
for(i in tmp_category) {
temp <- Labour %>% filter(Catergory== i) %>% summarise(Catergory= i, `% of lost` = (Million.People[4]/Million.People[1]-1)*(-100))
labour_lost_perc <- rbind(labour_lost_perc, temp)
}
# Создание таблицы потерь рабочих мест по отрослям в количественных показателях
for(i in tmp_category) {
temp <- Labour %>% filter(Catergory== i) %>% summarise(Catergory= i, `Millions peple of lost` = Million.People[1]-Million.People[4])
labour_lost <- rbind(labour_lost, temp)
}
ggplot(data = Labour, aes(x = Year, y = Million.People))+
geom_line(aes(colour = Catergory))+
geom_point()+
xlab("Year")+
ylab("Million People")+
ggtitle("Fig.28. Employment of the population of Ukraine by economic sectors 1990-2015")
Количество людей задействованных в той или иной экономической активности в 1990 и в 2015
Labour2 <- spread(Labour, Catergory, Million.People)
Labour2
## Year Agriculture Industry Services
## 1 1990 5.00 7.80 12.60
## 2 2000 4.90 4.10 12.30
## 3 2011 0.74 3.20 6.22
## 4 2015 0.64 2.42 5.27
Процент потерь рабочих мест с 1990 до 2015 года в Промышленности, Сельском хозяйстве и Сфере услуг
labour_lost_perc
## Catergory % of lost
## 1 Industry 68.97436
## 2 Agriculture 87.20000
## 3 Services 58.17460
Количество потерь рабочих мест в тех-же отраслях украинской экономике с 1990 по 2015 года
labour_lost
## Catergory Millions peple of lost
## 1 Industry 5.38
## 2 Agriculture 4.36
## 3 Services 7.33
При этом доля государственного и коммунального секторов по количеству занятых в них довольно велика – 44% всех работающих (20,7% приходятся на государственный сектор, 23,2% - на коммунальный). Остальные 56% трудятся в частном секторе, а так же в структурах с корпоративным управлением (акционерных обществах), которые могут включать в себя как государственных так и частных собственников. (более детально см.рис.29)29.
# Подготовка данных для Рис.29
Labour_force_total <- data.frame(colnames(Labour_force)[-1])
for (i in 2:12){
Labour_force_total[i-1,2] <- Labour_force[1,i]
}
colnames(Labour_force_total) <- c("Organizational forms of employment in Ukraine", "% Of employees")
#Salaries
ggplot(data = Labour_force_total, aes(x = `Organizational forms of employment in Ukraine`, y = `% Of employees`))+
geom_bar(colour="blue", fill = "white", stat = "identity")+
coord_flip()+
xlab("Organizational forms of employment in Ukraine")+
ylab("% Of employees")+
ggtitle("Fig.29. Structure of employment in the context of
organizational forms in 2015")
Структура занятости населения Украины в разрезе организационных форм в 2015 г (%)
Labour_force_total
## Organizational forms of employment in Ukraine % Of employees
## 1 State.owned.enterprises. 3.3
## 2 Public.enterprises. 3.9
## 3 Joint.Stock.Companies 13.1
## 4 LTD 23.2
## 5 Branches 12.0
## 6 Private.companies 3.3
## 7 State.government.authorities 7.7
## 8 Local.government.authorities 5.6
## 9 state.organization..institution.. 9.7
## 10 public..communal..organization..institution. 13.7
## 11 Other.forms 4.5
В промышленности Украины на государственный и коммунальный сектора приходилось почти 12% работающих в Украине (5,4% и 6,4% соответственно), а 88% - на частный сектор и структуры с корпоративным управлением (акционерные общества), которые могут включать в себя как государственных так и частных собственников. (более детально см.Рис.30. )
# Подготовка данных для Рис.30
Labour_force_industry <- data.frame(colnames(Labour_force)[-1])
for (i in 2:12){
Labour_force_industry[i-1,2] <- Labour_force[3,i]
}
colnames(Labour_force_industry) <- c("Organizational forms of employment in the Industry", "% Of employees")
Labour_force_industry <- Labour_force_industry[-c(7:10),]
ggplot(data = Labour_force_industry, aes(x = `Organizational forms of employment in the Industry`, y = `% Of employees`))+
geom_bar(colour="blue", fill = "white", stat = "identity")+
coord_flip()+
xlab("Organizational forms of employment")+
ylab("% Of employees")+
ggtitle("Fig.30. Structure of employment in the Ukrainian industry in the
context of organizational forms in 2015")
Структура занятости населения в украинской промышленности в разрезе организационных форм в 2015 г (%)
Labour_force_industry
## Organizational forms of employment in the Industry % Of employees
## 1 State.owned.enterprises. 5.4
## 2 Public.enterprises. 6.4
## 3 Joint.Stock.Companies 38.0
## 4 LTD 27.2
## 5 Branches 15.2
## 6 Private.companies 2.8
## 11 Other.forms 4.9
В сельском хозяйстве на долю государственного и коммунального секторов приходилось почти 15% занятых (13,7% и 1,1% соответственно) и чуть более 85% на частный сектор, а так же структуры с корпоративным управлением (более детально см.рис.31)
# Подготовка данных для Рис.31
Labour_force_agriculture <- data.frame(colnames(Labour_force)[-1])
for (i in 2:12){
Labour_force_agriculture[i-1,2] <- Labour_force[2,i]
}
colnames(Labour_force_agriculture) <- c("Organizational forms of employment in the Agriculture", "% Of employees")
Labour_force_agriculture <- filter(Labour_force_agriculture, `% Of employees` > 0)
ggplot(data = Labour_force_agriculture, aes(x = `Organizational forms of employment in the Agriculture`, y = `% Of employees`))+
geom_bar(colour="blue", fill = "white", stat = "identity")+
coord_flip()+
xlab("Organizational forms of employment")+
ylab("% Of employees")+
ggtitle("Fig.31. Structure of employment in the Agriculture industry in the
context of organizational forms in 2015")
Структура занятости населения в украинской агропромышленности в разрезе организационных форм в 2015 г (%)
Labour_force_agriculture
## Organizational forms of employment in the Agriculture % Of employees
## 1 State.owned.enterprises. 12.6
## 2 Public.enterprises. 1.1
## 3 Joint.Stock.Companies 5.4
## 4 LTD 48.5
## 5 Branches 4.9
## 6 Private.companies 12.3
## 7 state.organization..institution.. 1.1
## 8 Other.forms 14.1
Если сравнить Украину с другими выбранными странами бывшего СССР, то тенденции в изменении отраслевой структуры занятости сходны. Наблюдается уменьшение доли сельского хозяйства (на 3-5%), уменьшение доли промышленности (на 1-3%), и соответственно, увеличение доли сферы услуг. (Рис.32-34)
industry_share_labor <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "SL.IND.EMPL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
colnames(industry_share_labor) <- c("Employment in industry (% of total employment)", "Year", "Country")
ggplot(data = industry_share_labor, aes(x = Year, y = `Employment in industry (% of total employment)`, group=1))+
geom_line(aes(colour = Country), size=1)+
geom_point(colour = "darkblue", size=1)+
xlab("Year")+
ylab("% of total employment")+
ggtitle("Fig.32. Employment in industry (% of total employment)")+
facet_grid(Country~., scales = "free")
Данные по проценту занятых в промышленности в некоторых странах бывшего СССР с 1990 г. по 2014 г.
industry_share_labor2 <- spread(industry_share_labor, Country, `Employment in industry (% of total employment)`)
industry_share_labor2
## Year Belarus Latvia Lithuania Russian Federation Ukraine
## 1 1990 38.5 NA NA 40.2 9.5
## 2 1991 37.3 NA NA 39.8 9.1
## 3 1992 36.9 NA NA 38.8 8.0
## 4 1993 36.2 NA NA 38.0 30.5
## 5 1994 34.9 NA NA 35.9 31.7
## 6 1995 NA NA NA 34.0 28.0
## 7 1996 NA 27.2 NA 32.5 26.4
## 8 1997 NA 25.8 28.5 30.0 24.6
## 9 1998 NA 27.1 29.1 29.1 23.8
## 10 1999 NA 26.0 27.2 28.2 22.6
## 11 2000 NA 26.8 27.0 28.4 20.8
## 12 2001 NA 26.4 26.8 29.4 26.3
## 13 2002 NA 25.6 27.5 29.5 25.2
## 14 2003 NA 26.9 27.3 30.4 24.6
## 15 2004 NA 27.3 28.1 29.7 24.6
## 16 2005 NA 26.7 29.1 29.8 24.2
## 17 2006 NA 27.9 29.6 29.3 24.2
## 18 2007 NA 29.1 30.5 29.2 23.9
## 19 2008 NA 29.6 30.6 28.9 23.4
## 20 2009 33.7 24.5 26.9 27.5 25.7
## 21 2010 34.1 23.4 24.5 27.7 NA
## 22 2011 34.1 23.0 24.6 27.5 25.7
## 23 2012 33.3 23.6 25.3 27.8 25.8
## 24 2013 33.2 24.2 25.6 27.7 24.8
## 25 2014 NA 24.1 24.8 27.5 26.1
agriculture_share_labor <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "SL.AGR.EMPL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
colnames(agriculture_share_labor) <- c("Employment in agriculture (%)", "Year", "Country")
ggplot(data = agriculture_share_labor, aes(x = Year, y = `Employment in agriculture (%)`, group=1))+
geom_line(aes(colour = Country), size=1)+
geom_point(colour = "darkblue", size=1)+
xlab("Year")+
ylab("% of total employment")+
ggtitle("Fig.33. Employment in agriculture (% of total employment)")+
facet_grid(Country~., scales = "free")
Данные по проценту занятых в сельском хозяйстве в некоторых странах бывшего СССР с 1990 г. по 2014 г.
agriculture_share_labor2 <- spread(agriculture_share_labor, Country, `Employment in agriculture (%)`)
agriculture_share_labor2
## Year Belarus Latvia Lithuania Russian Federation Ukraine
## 1 1990 21.6 NA NA 13.9 19.8
## 2 1991 21.1 NA NA 14.2 19.3
## 3 1992 22.3 NA NA 15.4 20.8
## 4 1993 21.7 NA NA 15.5 20.7
## 5 1994 21.2 NA NA 16.1 21.0
## 6 1995 NA NA NA 15.7 22.5
## 7 1996 NA 17.3 NA 15.3 21.9
## 8 1997 NA 21.5 20.7 12.2 22.1
## 9 1998 NA 19.0 19.6 11.7 22.6
## 10 1999 NA 16.7 19.3 15.0 22.7
## 11 2000 NA 14.2 18.1 14.5 23.4
## 12 2001 NA 14.6 17.0 12.0 20.9
## 13 2002 NA 15.8 18.2 11.3 20.6
## 14 2003 NA 13.8 18.3 10.9 20.4
## 15 2004 NA 12.8 16.1 10.2 19.7
## 16 2005 NA 11.6 14.2 10.2 19.4
## 17 2006 NA 10.9 13.7 10.0 17.6
## 18 2007 NA 9.7 11.1 9.0 16.7
## 19 2008 NA 7.7 7.9 8.6 15.8
## 20 2009 10.5 8.5 8.9 8.4 20.0
## 21 2010 10.5 8.3 8.7 7.9 NA
## 22 2011 10.4 8.7 8.3 7.7 20.2
## 23 2012 10.1 8.1 8.8 7.3 19.7
## 24 2013 9.6 7.8 8.4 7.0 20.0
## 25 2014 NA 7.3 9.0 6.7 14.8
services_share_labor <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "SL.SRV.EMPL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
colnames(services_share_labor) <- c("Employment in services (% of total employment)", "Year", "Country")
ggplot(data = services_share_labor, aes(x = Year, y = `Employment in services (% of total employment)`, group=1))+
geom_line(aes(colour = Country), size=1)+
geom_point(colour = "darkblue", size=1)+
xlab("Year")+
ylab("% of total employment")+
ggtitle("Fig.34. Employment in services (% of total employment)")+
facet_grid(Country~., scales = "free")
Данные по проценту занятых в сфере услуг в некоторых странах бывшего СССР с 1990 г. по 2014 г.
services_share_labor2 <- spread(services_share_labor, Country, `Employment in services (% of total employment)`)
services_share_labor2
## Year Belarus Latvia Lithuania Russian Federation Ukraine
## 1 1990 36.1 NA NA 45.6 15.4
## 2 1991 36.6 NA NA 45.7 15.2
## 3 1992 36.6 NA NA 45.5 14.7
## 4 1993 38.2 NA NA 46.1 14.8
## 5 1994 40.0 NA NA 47.7 14.8
## 6 1995 NA NA NA 50.0 14.0
## 7 1996 NA 55.4 NA 52.2 14.4
## 8 1997 NA 52.4 50.8 57.8 14.3
## 9 1998 NA 53.9 51.4 59.2 14.0
## 10 1999 NA 57.0 53.1 56.8 14.3
## 11 2000 NA 58.6 54.4 57.1 13.3
## 12 2001 NA 57.3 55.8 58.6 52.8
## 13 2002 NA 58.0 53.7 59.1 54.2
## 14 2003 NA 58.5 54.1 58.7 55.1
## 15 2004 NA 59.3 55.1 60.1 55.7
## 16 2005 NA 61.4 56.1 60.0 56.4
## 17 2006 NA 61.0 56.2 60.7 58.2
## 18 2007 NA 61.2 57.8 61.8 59.4
## 19 2008 NA 62.6 61.0 62.4 60.7
## 20 2009 49.9 66.9 63.9 64.1 53.5
## 21 2010 55.3 68.3 66.4 64.4 NA
## 22 2011 55.5 68.0 66.7 64.9 54.2
## 23 2012 56.6 68.1 65.6 64.9 54.5
## 24 2013 57.2 67.9 65.6 65.3 55.2
## 25 2014 NA 68.6 65.8 65.8 59.1
Наиболее высок официальный уровень безработицы прибалтийских странах (почти 12%), в Украине он составил в 2013 году 7,5%, сократившись за 10 лет на 1,5%. Самый низкий уровень безработицы в Беларуси, который составляет всего 0,6% (см.рис.35)33.
unemployment <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "SL.UEM.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
colnames(unemployment) <- c("Unemployment (% of total labor force)", "Year", "Country")
ggplot(data = unemployment, aes(x = Year, y = `Unemployment (% of total labor force)`, group=1))+
geom_line(aes(colour = Country), size=1)+
geom_point(colour = "darkblue", size=1)+
xlab("Year")+
ylab("% of Unemployment")+
ggtitle("Fig.35. Unemployment, total (% of total labor force)")+
facet_grid(Country~., scales = "free")
Данные по безработице в некоторых странах бывшего СССР с 1990 г. по 2014 г.
unemployment2 <- spread(unemployment, Country, `Unemployment (% of total labor force)`)
unemployment2
## Year Belarus Latvia Lithuania Russian Federation Ukraine
## 1 1991 6.4 13.3 15.7 12.2 6.8
## 2 1992 6.4 12.9 9.8 5.2 7.5
## 3 1993 6.4 12.6 12.8 5.9 8.7
## 4 1994 6.3 10.9 17.4 8.1 7.0
## 5 1995 6.4 12.0 17.1 9.4 5.6
## 6 1996 6.3 12.6 15.6 9.7 7.6
## 7 1997 6.4 14.7 14.1 11.8 8.9
## 8 1998 6.5 14.5 13.7 13.3 11.3
## 9 1999 6.5 13.8 13.4 13.0 11.6
## 10 2000 6.5 14.2 15.9 10.6 11.6
## 11 2001 6.5 13.1 16.8 9.0 10.9
## 12 2002 6.6 13.2 13.0 7.9 9.6
## 13 2003 6.5 10.6 12.9 8.2 9.1
## 14 2004 6.5 9.9 11.3 7.8 8.6
## 15 2005 6.4 8.9 8.3 7.1 7.2
## 16 2006 6.4 6.8 5.6 7.1 6.8
## 17 2007 6.3 6.0 4.3 6.0 6.4
## 18 2008 6.2 7.4 5.8 6.2 6.4
## 19 2009 6.1 17.1 13.7 8.3 8.8
## 20 2010 6.2 18.7 17.8 7.3 8.1
## 21 2011 6.1 16.2 15.3 6.5 7.9
## 22 2012 5.9 14.9 13.2 5.5 7.5
## 23 2013 6.0 11.9 11.8 5.5 7.2
## 24 2014 5.9 10.0 11.3 5.1 7.7
Из исследуемых стран самый низкий уровень оплаты труда, к сожалению, так же в Украине. И минимальные и средние зарплаты в 2013 году были в нашей стране существенно ниже. Следует отметить, что по уровню средней заработной платы Россия практически сравнялась с прибалтийскими странами, а Беларусь отстает от них всего на 10-15%, в то время как заработная плата в Украине в 2 раза ниже, чем в Латвии и Литве. (Рис.36-37)
# Выбираем из таблицы необходимые для анализа страны.
minwagen <- grep("Latvia|Lithuania|Russia|Belarus|Ukraine", MinWage$Country)
# Создаем новую таблицу стран из анализируемых стран
MinWage_selected <- data.frame()
for(i in minwagen){
MinWage_selected <- rbind(MinWage_selected, MinWage[i,])
}
ggplot(data = MinWage_selected, aes(x = Country, y = EUR))+
geom_bar(colour="blue", fill = "darkorange", stat = "identity")+
xlab("Country")+
ylab("EUR")+
ggtitle("Fig.36. The minimum wage per month in 2013 (US dollars)")
Минимальная заработная плата в месяц по выбранным странам в 2013 г (доллары США)
MinWage_selected
## Country EUR
## 21 Latvia 320.00
## 23 Lithuania 289.62
## 32 Russia 131.63
## 33 Belarus 130.52
## 34 Ukraine 111.99
# Выбираем из таблицы необходимые для анализа страны.
avwagen <- grep("Latvia|Lithuania|Russia|Belarus|Ukraine", AvWage$Country)
# Создаем новую таблицу стран из анализируемых стран
AvWage_selected <- data.frame()
for(i in avwagen){
AvWage_selected <- rbind(AvWage_selected, AvWage[i,])
}
ggplot(data = MinWage_selected, aes(x = Country, y = EUR))+
geom_bar(colour="darkorange", fill = "darkblue", stat = "identity")+
xlab("Country")+
ylab("USD")+
ggtitle("Fig.37. Average monthly wage in 2014 (US dollars)")
Средняя заработная плата в месяц по выбранным странам в 2014 г (доллары США)
MinWage_selected
## Country EUR
## 21 Latvia 320.00
## 23 Lithuania 289.62
## 32 Russia 131.63
## 33 Belarus 130.52
## 34 Ukraine 111.99
В зависимости от формы собственности, официальная заработная плата в Украине так же существенно отличалась. Традиционно, государственный сектор в официальных выплатах заработной платы, значительно опережал (почти в два раза) и частные, и коммунальные предприятия. (см.Рис.37а)36. Для промышленности и сельского хозяйства характерны те же тенденции, что и в целом по всем видам экономической деятельности. Отдельно необходимо подчеркнуть, что официальная статистика говорит только об официальных выплатах, никак не учитывая практику «зарплат в конвертах», особо характерных для частного сектора.
# Подготовка данных для Рис.37а.
Salaries_total <- data.frame(colnames(Salaries)[-c(1:2)])
for (i in 3:13){
Salaries_total[i-2,2] <- as.numeric(as.character(Salaries[1,i]))
}
colnames(Salaries_total) <- c("Organizational forms of employment in Ukraine", "Average wage level in UAH")
ggplot(data = Salaries_total, aes(x = `Organizational forms of employment in Ukraine`, y = `Average wage level in UAH`))+
geom_bar(colour="darkorange", fill = "white", stat = "identity")+
xlab("Organizational form")+
ylab("Average wage level in UAH")+
ggtitle("Fig.37a. Official salaries in Ukraine
depending on the organizational form of
the facility in 2015 (UAH)") +
coord_flip()
Средний уровень заработных плат Украины в разрезе организационных форм в 2015 г (%)
Salaries_total
## Organizational forms of employment in Ukraine Average wage level in UAH
## 1 State.owned.enterprises. 5570
## 2 Public.enterprises. 3509
## 3 Joint.Stock.Companies 6213
## 4 LTD 4320
## 5 Branches 4872
## 6 Private.companies 2564
## 7 State.government.authorities 3419
## 8 Local.government.authorities 2988
## 9 state.organization..institution.. 3683
## 10 public..communal..organization..institution. 2881
## 11 Other.forms 4579
# Подготовка данных для Рис.37б.
Salaries_industry <- data.frame(colnames(Salaries)[-c(1:2)])
for (i in 3:13){
Salaries_industry[i-2,2] <- as.numeric(as.character(Salaries[3,i]))
}
colnames(Salaries_industry) <- c("Organizational forms of employment", "Salaries in industry (UAH)")
Salaries_industry <- filter(Salaries_industry, `Salaries in industry (UAH)` > 0)
ggplot(data = Salaries_industry, aes(x = `Organizational forms of employment`, y = `Salaries in industry (UAH)`))+
geom_bar(colour="darkorange", fill = "white", stat = "identity")+
xlab("Organizational form")+
ylab("Average wage level in UAH")+
ggtitle("Fig.37b. Official wages in Ukraine in industry, depending on the
organizational form of the facility in 2015 (UAH)") +
coord_flip()
Средний уровень заработных плат в промышленном секторе экономики Украины в разрезе организационных форм в 2015 г (%)
Salaries_industry
## Organizational forms of employment Salaries in industry (UAH)
## 1 State.owned.enterprises. 5040
## 2 Public.enterprises. 3510
## 3 Joint.Stock.Companies 5466
## 4 LTD 3900
## 5 Branches 5686
## 6 Private.companies 2422
## 7 Local.government.authorities 1989
## 8 state.organization..institution.. 3770
## 9 public..communal..organization..institution. 2503
## 10 Other.forms 4489
# Подготовка данных для Рис.37в.
Salaries <- read.xlsx("salaries by economic activity.xlsx", sheetName="salaries by econom.act.", header=TRUE)
Salaries_agriculture <- data.frame(colnames(Salaries)[-c(1:2)])
for (i in 3:13){
Salaries_agriculture[i-2,2] <- as.numeric(as.character(Salaries[2,i]))
}
colnames(Salaries_agriculture) <- c("Organizational forms of employment", "Salaries in Agriculture (UAH)")
Salaries_agriculture <- filter(Salaries_agriculture, `Salaries in Agriculture (UAH)` > 0)
ggplot(data = Salaries_agriculture, aes(x = `Organizational forms of employment`, y = `Salaries in Agriculture (UAH)`))+
geom_bar(colour="darkorange", fill = "white", stat = "identity")+
xlab("Organizational form")+
ylab("Average wage level in UAH")+
ggtitle("Fig. 37c. Official wages in Ukraine in agriculture, depending
on the organizational form of the facility in 2015 (UAH)") +
coord_flip()
Средний уровень заработных плат в аграрном секторе экономики Украины в разрезе организационных форм в 2015 г (%)
Salaries_agriculture
## Organizational forms of employment Salaries in Agriculture (UAH)
## 1 State.owned.enterprises. 4465
## 2 Public.enterprises. 3254
## 3 Joint.Stock.Companies 3621
## 4 LTD 3275
## 5 Branches 3796
## 6 Private.companies 2902
## 7 state.organization..institution.. 2776
## 8 Other.forms 2499
Данные для построения графа 38 взяты для Беларуси из глобальной международной базы данных Quandl https://www.quandl.com/data/WORLDBANK/BLR_IPTOTSAKD-Belarus-Industrial-Production-constant-US-seas-adj, для других стран – в глобальной базе данных WorldBank. На момент последней редакции данной работы, эти и другие данные были доступны по ссылке http://data.worldbank.org/indicator/NE.GDI.TOTL.ZS. Использование базы данных Quandl объясняется отсутствием в статистике WorldBank данных по Беларуси за года, ранее 1997. *Данные графиков 39-47 за 1990-2000 года, взяты, в первую очередь, из раздела «Промышленность» Статистического ежегодника Украины за 2013 г. (на момент последней редакции работы его можно было загрузить по ссылке library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf. Кроме того, для удобства читателей, данный документ доступен для скачивания и на нашем сайте ___). Этот ежегодник крайне интересен именно тем, что приводит многие показатели начиная с первых дней независимости Украины, которые не содержатся в архивах сайта Государственного комитета статистики (http://www.ukrstat.gov.ua/ Статистична інформація / Економічна статистика / Економічна діяльність / Промисловість / Виробництво основних видів промислової продукції).* Однако, за более поздние периоды (начиная с 2003 года), по ряду показателей, авторами было обнаружено несоответствие данных Ежегодника и официального сайта Госкомстата. Так, выбрав для детального анализа 40 показателей, авторами было обнаружено противоречие данных по 6 показателям (серная кислота, гидроксид натрия, автобусы, автомобили, мука, хлеб и хлебобулочные изделия). Так, например, для объемов производства серной кислоты сайт Госкомстата приводит за 2012 год – 948 тыс.тон, за 2013 год – 906 тыс.тон , Ежегодник… приводит 1371 и 1170 тыс.тон соответственно. Там, где данные двух источников противоречили друг другу, авторами использовались данные официального сайта Госкомстата, в расчете на то, что они обновляются чаще, в то время как официальное печатаное издание, возможно, нуждается в редактировании. Кроме того, по некоторым показателям невозможно провести ретроспективный анализ, поскольку единицы измерения для них были измены (например, галька, гравий, и т.д., измерялись до 2010 года в м.куб., а с 2011 года уже в тоннах). Для удобства читателей данные за все года, которые можно сопоставить, взятые из этих источников, собраны в авторских таблицах показателей производства основных видов продукции добывающей (https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/Extractive%20industry.xlsx ) и перерабатывающей (https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/Processing%20industry_fin.xlsx ) промышленности Украины. Для построения графиков отчета по каждому показателю авторами использовались наиболее ранний и поздний доступные года, когда наблюдался общий подъем производства, и 2013 год – как последний год, в который статистика учитывала производство на территории АРК и зоны АТО. Данные графиков 48-49 так же можно найти на сайте Госкомстата (http://www.ukrstat.gov.ua Економічна статистика /Зовнішньоекономічна діяльність/Експорт-імпорт окремих видів товарів за країнами світу). Авторские таблицы в формате excel, подготовленные по этим данным, так же можно загрузить и на нашем сайте ______________.
За годы независимости блестящий рост индустриального производства показала Беларусь, увеличив его только за 10 последних лет почти в 8 (!!!) раз. Положительная динамика так же характерна и для РФ (+25%), Латвии и Литвы (17% и 20%) соответственно (Рис 38). Украина за 10 лет осталась практически на том же месте, показав прирост меньше 1%. Этого, к сожалению, недостаточно даже для компенсации уровня инфляции, составлявшего, в частности для доллара США, в котором измеряется данный показатель, в среднем 2% ежегодно.37.
Industrial_production
## Year Country Billions USD
## 1 1991 Lithuania NA
## 2 1992 Lithuania NA
## 3 1993 Lithuania NA
## 4 1994 Lithuania NA
## 5 1995 Lithuania NA
## 6 1996 Lithuania 5.91000
## 7 1997 Lithuania 6.18000
## 8 1998 Lithuania 7.10000
## 9 1999 Lithuania 6.15000
## 10 2000 Lithuania 6.10000
## 11 2001 Lithuania 6.90000
## 12 2002 Lithuania 7.25000
## 13 2003 Lithuania 8.29000
## 14 2004 Lithuania 9.29000
## 15 2005 Lithuania 9.91000
## 16 2006 Lithuania 10.40000
## 17 2007 Lithuania 10.60000
## 18 2008 Lithuania 11.10000
## 19 2009 Lithuania 9.55000
## 20 2010 Lithuania 10.20000
## 21 2011 Lithuania 10.80000
## 22 2012 Lithuania 11.20000
## 23 2013 Lithuania 11.50000
## 24 2014 Lithuania 11.50000
## 25 2015 Lithuania 12.10000
## 26 2016 Lithuania 12.50000
## 27 2017 Lithuania 2.12000
## 28 1991 Latvia NA
## 29 1992 Latvia NA
## 30 1993 Latvia NA
## 31 1994 Latvia NA
## 32 1995 Latvia NA
## 33 1996 Latvia NA
## 34 1997 Latvia NA
## 35 1998 Latvia NA
## 36 1999 Latvia 3.41000
## 37 2000 Latvia 4.10000
## 38 2001 Latvia 4.53000
## 39 2002 Latvia 4.85000
## 40 2003 Latvia 5.23000
## 41 2004 Latvia 5.60000
## 42 2005 Latvia 6.00000
## 43 2006 Latvia 6.39000
## 44 2007 Latvia 6.46000
## 45 2008 Latvia 6.26000
## 46 2009 Latvia 5.12000
## 47 2010 Latvia 5.88000
## 48 2011 Latvia 6.41000
## 49 2012 Latvia 6.81000
## 50 2013 Latvia 6.75000
## 51 2014 Latvia 6.67000
## 52 2015 Latvia 6.91000
## 53 2016 Latvia 7.29000
## 54 2017 Latvia NA
## 55 1991 Russian.Federation NA
## 56 1992 Russian.Federation NA
## 57 1993 Russian.Federation NA
## 58 1994 Russian.Federation 296.00000
## 59 1995 Russian.Federation 285.00000
## 60 1996 Russian.Federation 270.00000
## 61 1997 Russian.Federation 275.00000
## 62 1998 Russian.Federation 261.00000
## 63 1999 Russian.Federation 290.00000
## 64 2000 Russian.Federation 333.00000
## 65 2001 Russian.Federation 342.00000
## 66 2002 Russian.Federation 353.00000
## 67 2003 Russian.Federation 387.00000
## 68 2004 Russian.Federation 418.00000
## 69 2005 Russian.Federation 439.00000
## 70 2006 Russian.Federation 474.00000
## 71 2007 Russian.Federation 506.00000
## 72 2008 Russian.Federation 509.00000
## 73 2009 Russian.Federation 461.00000
## 74 2010 Russian.Federation 503.00000
## 75 2011 Russian.Federation 529.00000
## 76 2012 Russian.Federation 547.00000
## 77 2013 Russian.Federation 549.00000
## 78 2014 Russian.Federation 558.00000
## 79 2015 Russian.Federation 553.00000
## 80 2016 Russian.Federation 561.00000
## 81 2017 Russian.Federation 83.60000
## 82 1991 Ukraine NA
## 83 1992 Ukraine NA
## 84 1993 Ukraine NA
## 85 1994 Ukraine NA
## 86 1995 Ukraine NA
## 87 1996 Ukraine NA
## 88 1997 Ukraine NA
## 89 1998 Ukraine NA
## 90 1999 Ukraine NA
## 91 2000 Ukraine NA
## 92 2001 Ukraine NA
## 93 2002 Ukraine 31.50000
## 94 2003 Ukraine 36.60000
## 95 2004 Ukraine 40.90000
## 96 2005 Ukraine 42.00000
## 97 2006 Ukraine 44.30000
## 98 2007 Ukraine 47.50000
## 99 2008 Ukraine 45.10000
## 100 2009 Ukraine 35.80000
## 101 2010 Ukraine 40.10000
## 102 2011 Ukraine 43.30000
## 103 2012 Ukraine 43.00000
## 104 2013 Ukraine 41.20000
## 105 2014 Ukraine 37.00000
## 106 2015 Ukraine 32.20000
## 107 2016 Ukraine 33.10000
## 108 2017 Ukraine NA
## 1991-12-31 1991 Belorussia 0.00000
## 1992-12-31 1992 Belorussia 0.00000
## 1993-12-31 1993 Belorussia 0.00000
## 1994-12-31 1994 Belorussia 0.00000
## 1995-12-31 1995 Belorussia 0.00000
## 1996-12-31 1996 Belorussia 0.00000
## 1997-12-31 1997 Belorussia 0.00000
## 1998-12-31 1998 Belorussia 0.00000
## 1999-12-31 1999 Belorussia 0.00000
## 2000-12-31 2000 Belorussia 0.00000
## 2001-12-31 2001 Belorussia 0.00000
## 2002-12-31 2002 Belorussia 10.25355
## 2003-12-31 2003 Belorussia 10.51609
## 2004-12-31 2004 Belorussia 11.37991
## 2005-12-31 2005 Belorussia 10.84609
## 2006-12-31 2006 Belorussia 10.93393
## 2007-12-31 2007 Belorussia 14.28887
## 2008-12-31 2008 Belorussia 18.43800
## 2009-12-31 2009 Belorussia 18.00819
## 2010-12-31 2010 Belorussia 23.60549
## 2011-12-31 2011 Belorussia 49.19416
## 2012-12-31 2012 Belorussia 87.15053
## 2013-12-31 2013 Belorussia 85.76516
## 2014-12-31 2014 Belorussia 94.58223
## 2015-12-31 2015 Belorussia 40.81684
ggplot(data = Industrial_production, aes(x = Year, y = `Billions USD`, fill = Country))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand tones")+
ggtitle("fig39. Manufacture of coke and certain types of products of oil refining")+
facet_grid(Country~., scales = "free")
## Warning: Removed 29 rows containing missing values (position_stack).
Если же говорить о конкретных объемах производства товаров, то они снизились практически для всех отраслей промышленности.
Так, например, в нефтеперерабатывающей промышленности за период с 1990 по 2015 гг. изготовление кокса снизилось в 3 раза. При этом в 2003 году наблюдался небольшой рост производства кокса, общий объем в тот период составил почти 2/3 объема 1990 года. За 2013-2015 гг. производство кокса сократилось еще в 1,5 раза. (см.рис.39).39.
##### Рис.39. Производство кокса по годам (млн.т.)
ProcessingIndustry.Nan <- ProcessingIndustry %>% filter(Value > 0)
coke <- ProcessingIndustry.Nan %>% filter(ProductName == "Coke-oven coke of coking coal")
ggplot(data = coke, aes(x = Year, y = Value))+
geom_bar(colour="black", fill="white", stat = "identity")+
xlab("Year")+
ylab("Million tones")+
ggtitle("Fig39. Coke production by years (million tons)")
ProcessingIndustry.Nan <- ProcessingIndustry %>% filter(Value > 0)
product_names39 <- c("Coke-oven coke of coking coal", "Primary oil processing", "Oil asphalt and shore bitumen")
fig39 <- data.frame()
for (i in product_names39){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig39 <- rbind(fig39, temp)
}
fig39$Year <- as.numeric(fig39$Year)
ggplot(data = fig39, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand tones")+
ggtitle("fig39. Manufacture of coke and certain types of products of oil refining")+
facet_grid(ProductName~., scales = "free")
product_names40 <- c("Sulphuric acid,", "Sodium hydroxide (caustic soda)", "Rubber tires")
fig40 <- data.frame()
for (i in product_names40){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig40 <- rbind(fig40, temp)
}
fig40$Year <- as.numeric(fig40$Year)
ggplot(data = fig40, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand tones")+
ggtitle("Fig.40. Production of some types of substances in basic inorganic chemicals")+
facet_grid(ProductName~., scales = "free")
product_names41 <- c("Cast iron", "Steel without semi-finished products produced through continuous casting", "Pipes of large and small diameters, hollow sections made of ferrous metals")
fig41 <- data.frame()
for (i in product_names41){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig41 <- rbind(fig41, temp)
}
fig41$Year <- as.numeric(fig41$Year)
ggplot(data = fig41, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Million tones")+
guides(fill=FALSE)+
ggtitle("Fig.41. Production of selected types of products of metallurgical production
(million tons)")+
facet_grid(ProductName~., scales = "free")
product_names42 <- c("Tractors for agriculture and forestry", "Motor cars", "Buses")
fig42 <- data.frame()
for (i in product_names42){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig42 <- rbind(fig42, temp)
}
fig42$Year <- as.numeric(fig42$Year)
ggplot(data = fig42, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand units")+
geom_smooth(method = "loess")+
ggtitle("Fig.42. Production of selected types of machine-building products
(thousand units)")+
facet_grid(ProductName~., scales = "free")
Интересующийся слушатель может ознакомиться с более подробной подборкой статистических показателей развития (а точнее упадка) промышленности Украины за этот период, которая, например, приведена в «Статистическом ежегоднике Украины за 2013». К большому сожалению автора, слушатель только убедиться в том, что и в других отраслях промышленности ситуация аналогичная.
Даже такая отрасль, как производство продуктов питания, спрос на продукцию которой, казалось бы, есть всегда, по многим видам товаров сократила производство в разы. Например, объемы производства сыров упали на 13%, Муки – в 3 раза, сахара – более чем в 5 раз, хлеба и хлебобулочных изделий – почти в 1,5 раза, колбасных изделий – в 3 раза, масла сливочного – более чем в 5 раз.
product_names43 <- c("Cheese with high fat content", "Flour", "White crystalline sugar", "Bread and flour products", "Sausages", "Butter")
fig43 <- data.frame()
for (i in product_names43){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig43 <- rbind(fig43, temp)
}
fig43$Year <- as.numeric(fig43$Year)
ggplot(data = fig43, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Thousand units")+
ggtitle("Fig.43. Manufacture of individual food products")+
geom_smooth(method = "loess")+
facet_grid(ProductName~., scales = "free")
Кроме того, катастрофическое падение производства, например, в станкостроении, говорит и о том, что отрасли, «инструментарий» для обеспечения работы которых производило станкостроение, так же находятся в бедственном положении. Так, например, только по сравнению с 2003 годом (уже далеко не лучшим годом украинской промышленности) в 2015 году производство прессов и ковальных машин упало в 37 раз, станков для обработки дерева, токарных и фрезеровальных станков – в 3 раза. (Рис.44)
product_names44 <- c("Presses and forge machines", "Lathes for wood processing", "Lathes, grinders, drillers, milling machines")
fig44 <- data.frame()
for (i in product_names44){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig44 <- rbind(fig44, temp)
}
fig44$Year <- as.numeric(fig44$Year)
ggplot(data = fig44, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Pieces")+
geom_smooth(method = "loess")+
#theme(legend.position = "bottom",
# legend.spacing = unit(1, "cm"))+
ggtitle("Fig.44. Production of some machine-tool products")+
facet_grid(ProductName~., scales = "free")
Падение производства различных комплектующих для электронных приборов, так же свидетельствует о плачевном положении дел в целой отрасли. Так, производство автоматической аппаратуры регулирования и управления, снизилось почти в 43 раза, электродвигателей и генераторов – в 8 раз (постоянного тока) и 4 раза (универсальных). Холодильников и стиральных машин стали производить, соответственно, в 8 и 3 раза меньше. (Рис.45).
product_names45 <- c("Devices and facilities for automatic regulation and management", "DC motors and dc generators", "Ac motors and ac generators, universal motors")
fig45 <- data.frame()
for (i in product_names45){
temp <- ProcessingIndustry.Nan %>% filter(ProductName == i)
fig45 <- rbind(fig45, temp)
}
fig45$Year <- as.numeric(fig45$Year)
ggplot(data = fig45, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Pieces")+
geom_smooth(method = "loess")+
#theme(legend.position = "bottom",
# legend.spacing = unit(1, "cm"))+
ggtitle("Fig.45. Production of some goods and components of instrument manufacture")+
facet_grid(ProductName~., scales = "free")
Но при этом, добывающая промышленность либо не снижает темпы, либо даже наращивает их. Так, добыча каменного угля возросла на 3%, торфа на 20%, природного газа – на 16%. Добыча железорудных концентратов увеличилась больше чем в 1,5 раза, добыча гипса и ангидрида – более чем в 2 раза., добыча известняка осталась на прежнем уровне, добыча песка возросла на 20% а гальки и гравия – на 30%. Добыча коалина и коалиновой глины увеличилась на 15 процентов, а соли и хлорида натрия – на 22% (рис. 46)41.
ExtractiveIndustry.Nan <- ExtractiveIndustry %>% filter(Value > 0)
product_names46 <- c("Coal available", "Non-agglomerate fuel peat (conventional moisture)", "Natural gas", "Non-agglomerated iron concentrates", "Agglomerated iron concentrates", "Gypsum and anhydrite", "Limestone", "Natural sands", "Pebbles, gravel, macadam and crushed stone", "Kaolin and other kaolinitic clay", "Salt and pure sodium chloride")
fig46 <- data.frame()
for (i in product_names46){
temp <- ExtractiveIndustry.Nan %>% filter(ProductName == i)
fig46 <- rbind(fig46, temp)
}
fig46$Year <- as.numeric(as.character(fig46$Year))
ggplot(data = fig46, aes(x = Year, y = Value, fill = ProductName))+
geom_bar(aes(colour = Units), stat = "identity")+
xlab("Years")+
ylab("Units")+
ggtitle("Fig. 46. Production of some products of the extractive industry by years.")+
facet_grid(ProductName~., scales = "free")
Выводы, которые очевидны из подобной статистики, к сожалению, не новы и неутешительны. Украина быстрыми темпами превращается в сырьевой придаток, если не колонию, более развитых стран мира. Некоторые косвенные показатели так же свидетельствуют о катастрофическом снижении темпов производства. Так, например, потребление топливно-энергетических ресурсов для производственно-эксплуатационных нужд снизилось в 2,2 раза (Рис.47.)42.
cons.energy <- data.frame(Million.tons=c(325.9, 186.1, 175.7, 157.1, 145.7), Year=as.factor(c(1990, 1995, 2007, 2011, 2013)))
#Потребление топливно-энергетических ресурсов для производственно-эксплуатационных нужд по годам (млн.т.у.т.)
cons.energy
## Million.tons Year
## 1 325.9 1990
## 2 186.1 1995
## 3 175.7 2007
## 4 157.1 2011
## 5 145.7 2013
ggplot(data = cons.energy, aes(x = Year, y = Million.tons, fill = Million.tons))+
geom_bar(colour = "black", stat = "identity")+
xlab("Years")+
ylab("Million tons of equivalent fuel")+
ggtitle("Fig. 47.Consumption of fuel and energy resources for production and
maintenance needs by years (Million tons of equivalent fuel)")
Авторам думается, что любой житель Украины среднего возраста назовет из своего опыта или информации, запомнившейся из сообщений СМИ, хотя бы один частный пример продажи «на металлолом» некогда прибыльного, работавшего в три смены предприятия. Особенно эта практика была присуща периоду «большой приватизации» (до 2000 года). Некоторым образом, оперируя общими цифрами, эту тенденцию можно отследить и в динамике сокращения экспорта металлолома из Украины после завершения этапа «большой приватизации». Так, с 2006 по 2016 гг. экспорт лома черных металлов снизился почти в 3 раза. (рис.48.)43.
scrap.export <- data.frame(thousand.US.dollars=c(745.9, 637.28, 664.74, 366.54, 252.08), Year=as.factor(c(2006, 2008, 2010, 2012, 2016)))
#Экспорт лома черных металлов по годам (тыс.дол.США)
scrap.export
## thousand.US.dollars Year
## 1 745.90 2006
## 2 637.28 2008
## 3 664.74 2010
## 4 366.54 2012
## 5 252.08 2016
ggplot(data = scrap.export, aes(x = Year, y = thousand.US.dollars, fill = thousand.US.dollars))+
geom_bar(colour = "black", stat = "identity")+
xlab("Years")+
ylab("thousand US dollars")+
ggtitle("Fig.48. Export of ferrous scrap by years")
Честно говоря, хотелось бы объяснить такое снижение другими, более оптимистичными, причинами – например, увеличением потребления лома металлургической промышленностью Украины за счет ее стремительного развития, но, к сожалению, это не так. Динамика снижения экспорта продуктов металлургии за тот же период более чем в 2 раза (Рис. 49)44. и снижение общих объемов производства основных изделий этой отрасли, приведенные выше, подтверждают это.
scrap.export <- data.frame(thousand.US.dollars=c(745.9, 637.28, 664.74, 366.54, 252.08), Year=as.factor(c(2006, 2008, 2010, 2012, 2016)))
#Экспорт лома черных металлов по годам (тыс.дол.США)
scrap.export
## thousand.US.dollars Year
## 1 745.90 2006
## 2 637.28 2008
## 3 664.74 2010
## 4 366.54 2012
## 5 252.08 2016
ggplot(data = scrap.export, aes(x = Year, y = thousand.US.dollars, fill = thousand.US.dollars))+
geom_bar(colour = "black", stat = "identity")+
xlab("Years")+
ylab("thousand US dollars")+
ggtitle("Fig.49. Exports of products from non-precious metals by years")
К сожалению, отрасль судостроения в целом не представлена в официальных открытых отчетах Госкомстата Украины. По этому авторы пользовались некими иллюстративными фактами, демонстрирующими состояние промышленности в целом, взятых из публикаций СМИ. Тем не менее, те статистические данные, которые удалось собрать, представлены отдельным листом в авторских таблицах раздела Индустриальное производство.
Судостроение Украины - это самый жестокий, но при этом, и самый показательный пример постсоветской деградации промышленности. Это прискорбный пример того, как успешную, прибыльную, наукоемкую, престижную, обладающую колоссальными фондами и потенциалом отрасль можно уничтожить за 25 лет. В период независимости Украина вошла, унаследовав 30% судостроительных активов СССР45. Страна могла проектировать и производить любые корабли: авианосцы, эсминцы, противолодочные корабли, ракетные крейсеры, а так же суда торгового флота. Кроме того, это был один из редчайших случаев, когда на территории одной республики СССР, ставшей независимым государством, находился полный производственно-технологический цикл отрасли: от разработчиков, через производство (что, опять же крайне важно и крайне редко для постсоветских республик - основанное на локальном сырье и комплектующих), и вплоть до подготовки обслуживающего персонала. Но, поистине, уникальным явлением было то, что кроме производственного цикла Украине достался и вполне дееспособный экономический цикл – производство, вся необходимая инфраструктура (порты), и самое главное, в отличие от многих других отраслей - мощный внутренний заказчик на продукцию судостроения в лице 7 судоходных компаний (одна из которых была второй по величине в мире!) так же находился в Украине. Ибо, по формальным законам либеральной экономики, «свалившимся» на молодую Украину после экономики государственного планирования, смерть такой отрасли, как, например, космостроение, не просто простительна, а, скорее, неизбежна: внутри страны осталась только часть производственного цикла, только 30% из необходимых комплектующих могли производиться на локальном рынке, полностью отсутствовала инфраструктура (ни одного космодрома), и, самое главное, единственный привычный заказчик, которого обслуживала отрасль – в лице оборонпрома СССР – канул в лету. А вот судостроение, по тем же законам либеральной экономики, наоборот, должно было расцвести, стать главной бюджето-образующей отраслью Украины, вывести ее в «лидеры судостроительной отрасли мира». Итак, в 1991 году Украина с гордостью могла называться «морской державой», получив «в наследство» от СССР следующее:
ВНУТРЕННИЙ ГРАЖДАНСКИЙ ЗАКАЗЧИК:
ВНУТРЕННИЙ ВОЕННЫЙ ЗАКАЗЧИК:
ПРОИЗВОДСТВО И РЕМОНТ:
ЛОКАЛЬНЫЕ КОМПЛЕКТУЮЩИЕ И ОБОРУДОВАНИЕ:
ИНФРАСТРУКТУРА:
ИССЛЕДОВАНИЯ, ПРОЕКТИРОВАНИЕ И РАЗРАБОТКИ:
ПОДГОТОВКА ПЕРСОНАЛА:
Мировая практика показывает, что тяжелые отрасли промышленности, такие как, например, судостроение или авиационная и космическая промышленность, развиваются только в тех странах, где существует сильный внутренний заказчик – обычно в лице государства - создающий спрос на продукцию этих отраслей на внутреннем рынке и проводящий политику поддержки внутреннего производителя. И действительно, окончательная деградация украинского судостроения началась именно с разорения судоходных компаний Украины, а так же плачевного состояния ВМСУ, как и всей Армии в целом. Так, Черноморское морское пароходство владело в 1990 году 300 судами различных типов общим дедвейтом 5 млн т. На 1991 г. цена ЧМП составляла $7 млрд, флот насчитывал 295 судов и 1100 единиц вспомогательных судов. Суда списывались как устаревшие, передавались в оффшорные компании в управление, арестовывались в заграничных портах «за долги». На начало 1998 г. на балансе пароходства оставалось уже 15 судов, а в 2004 г. - всего 647. Вторая по величине в мире (!) судоходная компания перестала существовать. (см.Рис.50.).
Black.Sea.Shipping.Company <- data.frame(Year=c(1990, 1992, 1998, 2004), `Number of ships`=c(300, 255, 15, 6))
ggplot(data = Black.Sea.Shipping.Company, aes(x = Year, y = Number.of.ships, group = 1))+
geom_line(colour="darkorange", size = 1)+
geom_point(aes(size = Number.of.ships, color = Number.of.ships))+
xlab("Year")+
ylab("Number of ships")+
ggtitle("Fig. 50. Dynamics of changes in the number of vessels in the
possession of the Black Sea Shipping Company (units)")
Азовское морское пароходство– шестая по величине компания, входящая в состав Министерства морского флота СССР. Это было одно из самых обновленных морских пароходств страны. В состав флота на 24 августа 1991 г. входило 146 судов: сухогрузы, балкеры, контейнеровозы, танкеры дедвейтом от 3000 до 30 000 т. Кроме коммерческих судов АМП располагало мощными ледоколами и буксирами, судами портового флота. Собственный парк морских контейнеров (международного стандарта) позволял компании надежно перекрывать потребности пяти контейнерных линий. 1993 г. предопределил судьбу АМП. Фонд госимущества Украины подписал договор аренды с организацией арендаторов АМП. С этого времени началось повальное создание совместных предприятий за рубежом, там же создавались финансово-расчетные центры. Флот старел, не обновлялся, закупка новостроящихся судов не велась. 24 января 2003 г. решением Донецкого регионального фонда госимущества Украины по согласованию с Министерством транспорта и Антимонопольным комитетом Украины был досрочно прекращен договор аренды госимущества и организации аренды Азовского морского пароходства. На момент прекращения действия договора аренды в составе флота АМП числилось всего 33 действующих судна. Однако ни одно из этих 33 судов не было в прямом управлении пароходства. Пароходство было некредитоспособно, долги по зарплате, закупке бункера, снабжения, продовольствия, воды продолжали расти. Суда арестовывались в зарубежных портах и продавались. 24 сентября 2003 г. было создано ООО «Торговый флот Донбасса», которому было передано 33 судна бывшего АМП, возраст которых составлял 26-28 лет. Это все, что осталось от цветущей компании и ее современного флота. (Рис.51)49:
#Fig. 51. Dynamics of changes in the number of vessels in the possession of the Azov Shipping Company (units).
Azov.Shipping.Company <- data.frame(Year=as.factor(c(1990, 2004)), `Number of ships`=as.factor(c(146, 33)))
ggplot(data = Azov.Shipping.Company, aes(x = Year, y = Number.of.ships))+
geom_bar(colour="darkblue", fill = "darkgray", stat = "identity")+
xlab("Year")+
ylab("Number of ships")+
ggtitle("Fig. 51. Dynamics of changes in the number of vessels in the
possession of the Azov Shipping Company (units).")
В период 1992—1997 г. ВМСУ фактически не существовали в качестве самостоятельного компонента Вооруженных Сил Украины. Корабли бывшего КЧФ ВМФ СССР формально осуществляли свою боевую службу под совместным командованием России и Украины. После подписания 28 мая 1997 года «Соглашения между Российской Федерацией и Украиной о параметрах раздела Черноморского флота» был осуществлён окончательный раздел Черноморского флота СССР. В соответствии с договором, ВМС Украины были переданы 43 боевых корабля, 132 судов и катеров50:. В 2012 году в составе ВМСУ уже осталось только 25 кораблей и 54 обслуживающих судов. Плачевное состояние, в котором остались ВМС Украины после крымского кризиса еще менее утешительно – общий итог – всего около 50 единиц флота (Рис.52).
#Fig.52. The Ukrainian Navy. Number of fleet units by year (units)
Navy.ships <- data.frame(Year=as.factor(c(1997, 2012, 2015)), `Number of ships`=as.factor(c(175, 79, 50)))
ggplot(data = Navy.ships, aes(x = Year, y = Number.of.ships))+
geom_bar(colour="darkblue", fill = "darkgray", stat = "identity")+
xlab("Year")+
ylab("Number of ships")+
ggtitle("Fig.52. The Ukrainian Navy. Number of fleet units by year (units)")
Итак, первый важнейший компонент успешного развития отрасли – наличие внутреннего заказчика, т.е. спроса на продукцию - был уничтожен. Гражданский заказчик в лице пароходств практически прекратил свое существование к 2004-2005 гг, военный заказчик, фактически, так и не появился. На этом, по большому счету, можно было бы и закончить, поскольку в стране, где нет мощного флота, не может быть развитого судостроения. Но мы, все же, сделаем попытку отследить дальнейшую судьбу отрасли. К сожалению, отрасль судостроения в целом не представлена в официальных открытых отчетах Госкомстата Украины. По этому авторам придется пользоваться некими иллюстративными фактами, демонстрирующими состояние судостроительных заводов Украины, взятых из открытых источников. Так, предприятия знаменитого николаевского судостроительного треугольника (Черноморский судостроительный завод, Завод им.62 коммунара и завод «Океан») перед распадом СССР насчитывали более 65 тыс.чел.персонала. За время независимости, количество работников заводов сократилось в 38 раз, и на сегодняшний день составляет 1700 чел. Так, ЧСЗ сократил персонал с 40000 до 800 человек, заводе им. 61 коммунара с 13000 до 700, завод «Океан» - с 12000 до 200. (рис.53)51.
# Creation of a data frame of the employees of the main shipbuilding plants of Nikolaev for 1990 and 2015
shipbuilding.employees <- data.frame(Employees=as.numeric(c(40000, 13000, 12000, 800, 700, 200)), Year= gl(2, 3, labels = c(1990, 2015)), Shipbuilding.enterprise = rep(c("Black Sea Shipyard", "61. Kommunara", "Ocean"), 2))
ggplot(data = shipbuilding.employees, aes(x = Year, y = Employees, fill = Shipbuilding.enterprise))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("Number of employees")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.53. Number of employees of 3 shipbuilding plants of Nikolaev
by years (people)")
Количество сотрудников 3-х кораблестроительных заводов Николаева по годам
shipbuilding.employees
## Employees Year Shipbuilding.enterprise
## 1 40000 1990 Black Sea Shipyard
## 2 13000 1990 61. Kommunara
## 3 12000 1990 Ocean
## 4 800 2015 Black Sea Shipyard
## 5 700 2015 61. Kommunara
## 6 200 2015 Ocean
Справедливости ради надо отметить, что эти три предприятия принадлежат к разным формам собственности. Старейшая верфь Николаева – Государственный завод имени 61-го коммунара, ныне находится в ведении УкрОборнПрома. В советские времена на заводе строили эсминцы, противолодочные корабли пр.1134Б типа «Николаев» и ракетные крейсеры пр.1164 типа «Слава», которые, по заключению зарубежных экспертов, были лучшими в мире в своем классе в то время52. Сейчас же завод продолжает накапливать долги и провоцировать недовольство немногочисленного персонала, который периодически напоминает о себе, выходя на акции протеста с перекрытием дорог и требованием выплатить долги по зарплате53, при этом завод иногда выполняет единичные заказы по профилю, и с гордостью осваивает производство «буржуек» для воинов АТО54. ЧСЗ, принадлежащий Публичному акционерному обществу «Смарт Мэритайм Груп» так же выполняет единичные заказы по профилю, и «соптимизировав» количество сотрудников до 540 человек, под модным названием «Индустриальный парк»55 открывает пункт перевалки грузов. А самый технологически новый судостроительный завод города Николаева – «Океан» - уже несколько лет находится в перманентном процессе банкротства (сумма требований кредиторов составляет 1 млрд 813,15 млн грн56) а так же не вылезает из скандальных рейдерских захватов и судебных разбирательств, о которых так любят писать в СМИ.
Возвращаясь к общим цифрам, нужно отметить, что к моменту распада СССР кадровый потенциал кораблестроительной отрасли Украины составлял более 200 тыс.чел57, в 2010 году – порядка 50 тыс.чел., а в 2016 году - всего 12 тыс.чел58, т.е. сократился почти в 17 раз. (рис.54).
# Creation of a data frame of the personnel potential of the shipbuilding industry of Ukraine by years
# Создание таблицы данных кадрового потенциала судостроительной отрасли Украины по годам
human.resources.shipbuilding <- data.frame(Year=as.factor(c(1990, 2010, 2016)), `Number of people`=as.factor(c(220000, 50000, 12000)))
ggplot(data = human.resources.shipbuilding, aes(x = Year, y = Number.of.people))+
geom_bar(colour="darkorange", fill = "darkgray", stat = "identity")+
xlab("Year")+
ylab("Person")+
ggtitle("Fig.54. Personnel potential of Ukrainian shipbuilding industry
for years (pers.)")
Кадровый потенциал судостроительной отрасли Украины по годам
human.resources.shipbuilding
## Year Number.of.people
## 1 1990 220000
## 2 2010 50000
## 3 2016 12000
Катастрофически сократились, конечно же, и объемы производства отрасли - с 2.млрд.дол.США59 в 1988 году до 300 млн.дол.США (в 15 раз) в 2006 г. (рис.55)60, и до 150 млн.дол.США (в 30 раз по сравнению с 1988 г), в 2015 году.
# Creating a data frame of production volumes of shipbuilding industry in Ukraine by years
# Создание таблицы данных объема производства судостроительной отрасли Украины по годам
shipbuilding.industry <- data.frame(Year = as.factor(c(1990, 2006, 2015)), `Volumes.of.production(million USD)` = as.factor(c(2000, 300, 150)))
ggplot(data = shipbuilding.industry, aes(x = Year, y = Volumes.of.production.million.USD.))+
geom_bar(colour="darkorange", fill = "darkgray", stat = "identity")+
xlab("Year")+
ylab("million USD")+
ggtitle("Fig. 55. Volumes of production of the shipbuilding industry of Ukraine
(million US dollars)")
Объемы производства судостроительной отрасли Украины (млн.ном.дол.США)
shipbuilding.industry
## Year Volumes.of.production.million.USD.
## 1 1990 2000
## 2 2006 300
## 3 2015 150
Хотя 150 млн.долларов кажется огромной суммой, но для судостроения – это мизерная цифра. Средняя рыночная стоимость одного современного надводного корабля составляет 200 млн.дол.США61. Другими словами, вся судостроительная отрасль Украины в 2015 году «наработала» ¾ корабля, которые раннее ежегодно десятками сходили со стапелей судостроительных заводов Украины. Все эти цифры тем более прискорбно осознавать с учетом того, что, как отмечают эксперты, при грамотном использовании потенциала «морской державы», полученного Украиной в День Независимости, только доля морских перевозок составляла бы более 15 процентов сегодняшнего ВВП страны, а судостроение и ремонт составили бы еще 10 процентов ВВП62.
*Данные, проанализированные в этом разделе, взяты из официального ежегодного отчета Антимонопольного комитета Украины за 2015 год, который на момент последней редакции данной работы был опубликован на сайте АМКУ в разделе «Отчеты и публикации», и был доступен для скачивания по ссылке http://www.amc.gov.ua/amku/doccatalog/document?id=122547&schema=main . Для удобства читателя данный отчет так же загружен на сайт____.*
В начале 2015 года в Украине на рынках с конкурентной структурой реализовывалось всего 42,7 % общего объема продукции. Это самый низкий показатель за последние 15 лет (с 2000 года), когда рынки с конкурентной структурой в Украине составляли больше половины (почти 54%). За эти же 15 лет вырос объем рынка с признаками коллективного доминирования или олигопольных рынков (на которых доля трех крупнейших хозяйствующих субъектов превышала 50 процентов) – с 11,6 до 16,7 %. Рынки с признаками единоличного доминирования (на которых доля крупнейшего предприятия составляла более 35 процентов) так же возросли на 8 % (с 22,7 до 30,8). Доля монополизированных рынков (на которых доля крупнейшего предприятия составляла более 90 процентов) незначительно снизилась (с 11,8 до 9,8% соответственно). См. рис.56 и рис.5763.
Monopoly_ua.2015 <- Monopoly_ua %>% filter(Year == 2015)
ggplot(Monopoly_ua.2015, aes(x="", y=`Market.share(%)`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`Market.share(%)`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.56. Monopolization of the Ukrainian market in 2015 (%)")
Монополизация рынка Украины в 2015 г. (%)
Monopoly_ua.2015
## Market.type Year Market.share(%)
## 1 Competitive markets 2015 42.7
## 2 Oligopoly 2015 16.7
## 3 Markets with signs of dominance 2015 30.8
## 4 Monopolized markets 2015 9.8
Monopoly_ua <- arrange(Monopoly_ua, Year)
ggplot(data = Monopoly_ua, aes(x = Market.type, y = `Market.share(%)`, fill = Market.type))+
geom_bar(colour = "black", stat = "identity")+
xlab("Market share(%)")+
ylab("Market type")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 57. Dynamics of monopolization of the Ukrainian market
by years (%)")+
coord_flip()+
facet_grid(Year~., scales = "free")
Динамика монополизации рынка Украины по годам (%)
Monopoly_ua.2015
## Market.type Year Market.share(%)
## 1 Competitive markets 2015 42.7
## 2 Oligopoly 2015 16.7
## 3 Markets with signs of dominance 2015 30.8
## 4 Monopolized markets 2015 9.8
Изучая условия конкуренции на рынках Украины в разрезе видов экономической деятельности, можно прийти к следующим результатам. По состоянию на 2015 год, наибольшая доля рынка с конкурентной структурой принадлежала отрасли сельского хозяйства – 95,67%. Так же больше половины рынка имели конкурентную структуру для операций с недвижимостью (80,94%), финансов и страхования (71,39%), оптовой и розничной торговли (66,48%), перерабатывающей промышленности (50,74%). От 50 до 30% товаров и услуг реализовывались в конкурентной среде в строительстве (49,3%), администрировании (40,73%), информации и телекоммуникации (33,91%). От 30 до 10 процентов рынка с конкурентной структурой были в деятельности отелей и ресторанов (28,27%), профессиональной, научной и технической деятельности (25,65), а так же транспорта (19,02). В наименьшей мере конкурентная структура рынка была в сфере культуры, спорта и досуга (3,08%), а так же в добывающей промышленности – всего 0,9%. В сфере водоснабжения, водоотведения и обращения с отходами, а так же в поставке электроэнергии, газа, пара, и др.. – конкурентная структура отсутствовала вовсе – 0% (Рис.58)64.
Monopoly_by_activity.compet <- Monopoly_by_activity %>% filter(Type.of.the.market == "Competitive markets") %>% arrange(desc(`%`))
ggplot(data = Monopoly_by_activity.compet, aes(x = Economic.activity, y = `%`, fill = `%`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Level (in %)")+
ylab("Economic activity")+
ggtitle("Fig. 58 Competitive structure of markets by types of economic activity in 2015 (%)")+
coord_flip()
Конкурентная структура рынков по видам экономической деятельности в 2015 г. (%)
Monopoly_by_activity.compet
## Economic.activity Type.of.the.market %
## 1 Agriculture, forestry, fishery Competitive markets 95.67
## 2 Real estate Competitive markets 80.94
## 3 Finance and Insurance Competitive markets 71.39
## 4 Wholesale and retail trade (incl. auto) Competitive markets 66.48
## 5 Processing industry Competitive markets 50.74
## 6 Construction Competitive markets 49.30
## 7 Administration and services Competitive markets 40.73
## 8 Information and telecommunications Competitive markets 33.91
## 9 Other services Competitive markets 29.89
## 10 Hotels and restaurants Competitive markets 28.27
## 11 Prof., scientific and tech. activities Competitive markets 25.65
## 12 Transport, storage, mail Competitive markets 19.02
## 13 Culture, sport, leisure Competitive markets 3.08
## 14 Extracting industry Competitive markets 0.90
## 15 Supply of electricity, gas, etc. Competitive markets 0.00
## 16 Water supply and sanitation Competitive markets 0.00
Рынки с признаками коллективного доминирования или олигопольные рынки (на которых доля трех крупнейших хозяйствующих субъектов превышала 50 процентов) были наиболее характерны для добывающей (50,54%) и перерабатывающей промышленности (22,94%), сферы финансов и страхования (19,78%), а так же строительства (18,05%) (рис.59)65.
Monopoly_by_activity.oligopoly <- Monopoly_by_activity %>% filter(Type.of.the.market == "Oligopoly") %>% arrange(desc(`%`))
ggplot(data = Monopoly_by_activity.oligopoly, aes(x = Economic.activity, y = `%`, fill = `%`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Economic activity")+
ylab("Level (in %)")+
#scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 59 Markets with collective dominance (oligopoly) by
types of economic activity in 2015 (%)")+
coord_flip()
Конкурентная структура рынков по видам экономической деятельности в 2015 г. (%)
Monopoly_by_activity.oligopoly
## Economic.activity Type.of.the.market %
## 1 Extracting industry Oligopoly 50.45
## 2 Processing industry Oligopoly 22.94
## 3 Finance and Insurance Oligopoly 19.78
## 4 Construction Oligopoly 18.05
## 5 Other services Oligopoly 11.36
## 6 Administration and services Oligopoly 10.99
## 7 Wholesale and retail trade (incl. auto) Oligopoly 10.45
## 8 Hotels and restaurants Oligopoly 9.99
## 9 Information and telecommunications Oligopoly 5.77
## 10 Prof., scientific and tech. activities Oligopoly 5.09
## 11 Transport, storage, mail Oligopoly 3.83
## 12 Culture, sport, leisure Oligopoly 1.58
## 13 Agriculture, forestry, fishery Oligopoly 1.33
## 14 Real estate Oligopoly 0.30
## 15 Supply of electricity, gas, etc. Oligopoly 0.00
## 16 Water supply and sanitation Oligopoly 0.00
Рынки с признаками единоличного доминирования (на которых доля крупнейшего предприятия составляла более 35 процентов) были наиболее характерны для сферы культуры, спорта и досуга (91,5%), поставки электроэнергии, газа, пара, и др. (69,52%), отельного и ресторанного бизнеса (61,6%), информации и телекоммуникаций (60,15%) а так же добывающей промышленности (47,44%) (рис.60)66.
Monopoly_by_activity.dominance <- Monopoly_by_activity %>% filter(Type.of.the.market == "With signs of dominance") %>% arrange(desc(`%`))
ggplot(data = Monopoly_by_activity.dominance, aes(x = Economic.activity, y = `%`, fill = `%`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Economic activity")+
ylab("Level (in %)")+
#scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 60 Markets with signs of sole dominance by types
of economic activity in 2015 (%)")+
coord_flip()
Рынки с признаками единоличного доминирования по видам экономической деятельности в 2015 г. (%)
Monopoly_by_activity.dominance
## Economic.activity Type.of.the.market %
## 1 Culture, sport, leisure With signs of dominance 91.52
## 2 Supply of electricity, gas, etc. With signs of dominance 69.52
## 3 Hotels and restaurants With signs of dominance 61.60
## 4 Information and telecommunications With signs of dominance 60.15
## 5 Other services With signs of dominance 50.20
## 6 Extracting industry With signs of dominance 47.44
## 7 Administration and services With signs of dominance 44.50
## 8 Transport, storage, mail With signs of dominance 39.38
## 9 Processing industry With signs of dominance 25.00
## 10 Construction With signs of dominance 22.60
## 11 Wholesale and retail trade (incl. auto) With signs of dominance 20.49
## 12 Real estate With signs of dominance 18.16
## 13 Finance and Insurance With signs of dominance 6.88
## 14 Prof., scientific and tech. activities With signs of dominance 4.54
## 15 Water supply and sanitation With signs of dominance 3.84
## 16 Agriculture, forestry, fishery With signs of dominance 2.77
И, наконец, монополии (рынки, на которых доля крупнейшего предприятия составляла более 90 процентов) по видам экономической деятельности были представлены следующим образом. Самый монополизированный рынок в Украине в сфере водоснабжения, водоотведения и обращения с отходами (96,16%), научная, техническая и профессиональная деятельность (64,72%), транспорт, складское хозяйствование, почта и курьерская доставка (33,7%) а так же поставка электроэнергии, газа, пара и др. (30,48%) (рис.61)67.
Monopoly_by_activity.monopoly <- Monopoly_by_activity %>% filter(Type.of.the.market == "Monopolized markets") %>% arrange(desc(`%`))
ggplot(data = Monopoly_by_activity.monopoly, aes(x = Economic.activity, y = `%`, fill = `%`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Economic activity")+
ylab("Level (in %)")+
#scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 61. Monopolies by types of economic activity in 2015 (%)")+
coord_flip()
Монополии по видам экономической деятельности в 2015 г. (%)
Monopoly_by_activity.monopoly
## Economic.activity Type.of.the.market %
## 1 Water supply and sanitation Monopolized markets 96.16
## 2 Prof., scientific and tech. activities Monopolized markets 64.72
## 3 Transport, storage, mail Monopolized markets 37.77
## 4 Supply of electricity, gas, etc. Monopolized markets 30.48
## 5 Construction Monopolized markets 10.04
## 6 Other services Monopolized markets 8.55
## 7 Culture, sport, leisure Monopolized markets 3.81
## 8 Administration and services Monopolized markets 3.77
## 9 Wholesale and retail trade (incl. auto) Monopolized markets 2.58
## 10 Finance and Insurance Monopolized markets 1.95
## 11 Processing industry Monopolized markets 1.32
## 12 Extracting industry Monopolized markets 1.22
## 13 Real estate Monopolized markets 0.61
## 14 Agriculture, forestry, fishery Monopolized markets 0.22
## 15 Information and telecommunications Monopolized markets 0.18
## 16 Hotels and restaurants Monopolized markets 0.15
По отраслям национальной экономики конкурентные условия рынка выглядят следующим образом (рис.62-67)68:
Fuel.energy.m <- Monopoly_by_branches %>% filter(Branch == "Fuel and energy complex") %>% arrange(desc(`%`))
ggplot(Fuel.energy.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.62. The fuel and energy complex")
Топливно-энергетический комплекс
Fuel.energy.m
## Market.type Branch %
## 1 Markets with signs of dominance Fuel and energy complex 72.7
## 2 Monopolized markets Fuel and energy complex 25.5
## 3 Oligopoly Fuel and energy complex 1.6
## 4 Competitive markets Fuel and energy complex 0.2
agro.industrial.m <- Monopoly_by_branches %>% filter(Branch == "Agrarian and industrial complex") %>% arrange(desc(`%`))
ggplot(agro.industrial.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig. 63. Agro-industrial complex")
Аграрно-промышленный комплекс
agro.industrial.m
## Market.type Branch %
## 1 Competitive markets Agrarian and industrial complex 73.0
## 2 Markets with signs of dominance Agrarian and industrial complex 16.6
## 3 Oligopoly Agrarian and industrial complex 8.8
## 4 Monopolized markets Agrarian and industrial complex 1.6
mining.metall.m <- Monopoly_by_branches %>% filter(Branch == "Mining and metallurgical complex") %>% arrange(desc(`%`))
ggplot(mining.metall.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.64. Mining and metallurgical complex")
Горно-металлургический комплекс
mining.metall.m
## Market.type Branch %
## 1 Competitive markets Mining and metallurgical complex 55.2
## 2 Oligopoly Mining and metallurgical complex 33.9
## 3 Markets with signs of dominance Mining and metallurgical complex 10.4
## 4 Monopolized markets Mining and metallurgical complex 0.4
transport.communication.m <- Monopoly_by_branches %>% filter(Branch == "Transport and communication") %>% arrange(desc(`%`))
ggplot(transport.communication.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.65. Transport and communication")
Транспорт и связь
transport.communication.m
## Market.type Branch %
## 1 Markets with signs of dominance Transport and communication 51.8
## 2 Monopolized markets Transport and communication 30.0
## 3 Competitive markets Transport and communication 15.1
## 4 Oligopoly Transport and communication 3.0
construction.m <- Monopoly_by_branches %>% filter(Branch == "Construction") %>% arrange(desc(`%`))
ggplot(construction.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.66. Construction")
Строительство
construction.m
## Market.type Branch %
## 1 Competitive markets Construction 49.3
## 2 Markets with signs of dominance Construction 22.6
## 3 Oligopoly Construction 18.1
## 4 Monopolized markets Construction 10.0
trade.m <- Monopoly_by_branches %>% filter(Branch == "Trade") %>% arrange(desc(`%`))
ggplot(trade.m, aes(x="", y=`%`, fill=Market.type)) +
geom_bar(width=100, stat="identity", color="black") +
scale_fill_brewer(palette="Pastel2") +
coord_polar(theta="y") +
geom_text(aes(x=1.4, label=`%`),
position=position_stack(vjust=0.5), size=4) +
ggtitle("Fig.67. Trade")
Торговля
trade.m
## Market.type Branch %
## 1 Competitive markets Trade 66.5
## 2 Markets with signs of dominance Trade 20.5
## 3 Oligopoly Trade 10.5
## 4 Monopolized markets Trade 2.6
Данные для построения графиков 68-69 а так же 74 были взяты из архива ежегодно публикуемых на сайте комитета статистики соответствующих показателей (на момент последней редакции работы активные ссылки на данные показатели были, соответственно, http://www.ukrstat.gov.ua/operativ/menu/menu_u/ioz.htm и http://www.ukrstat.gov.ua/operativ/operativ2016/zd/ivu/ivu_u/ivu0116.html) . Данные для рисунка 73 – из глобальной базы данных World Bank - http://data.worldbank.org/indicator/BX.KLT.DINV.CD.WD. Кроме того, авторские таблицы, сформированные из этих данных, доступны для скачивания на нашем сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/investments%20in%20the%20fixed%20assets.xlsx.* Данные для графиков 70-72 взяты из Статистического ежегодника Украины за 2013 г. (на момент последней редакции работы его можно было загрузить по ссылке library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf.* *Данные графиков 75 и 76 формировались на основе показателей глобальной базы данных NationMaster http://www.nationmaster.com/country-info/stats/Economy/Foreign-direct-investment и статьи http://eucham.eu/charts/153-2015-03-foreign-direct-investment-per-capita-in-europehttp://eucham.eu/charts/153-2015-03-foreign-direct-investment-per-capita-in-europe.*
Данные для построения графа 77 взяты из глобальной международной базы данных .World Bank. На момент последней редакции данной работы, эти и другие данные были доступны по ссылке http://data.worldbank.org/indicator/NE.GDI.TOTL.ZS.* Данные для графиков 78 и 79 формировались из показателей глобальной базы данных Мирового Банка. Исходные таблицы в разных форматах, в том числе и excel, можно загрузить по ссылкам http://data.worldbank.org/indicator/BX.KLT.DINV.CD.WD и http://data.worldbank.org/indicator/NY.GSR.NFCY.CD (на момент последней редакции работы).*
С 2004 по 2015 инвестиции в основные фонды предприятий Украины составили более 262 млрд.дол.США. Если посмотреть на график вложения капиталов в основные фонды по годам, то его пики вполне соответствуют росту и кризисам мировой экономики (резкое падение в 2008-2009 гг), падению гривны, а так же значительному уменьшению уровня инвестиций начиная с 2013 г (начало политической нестабильности в Украине). А 2015 год - год, когда в статистику уже не попадали данные по Крыму, а курс гривны «провалился» как никогда ранее – вообще показал итог в два раза ниже 2004 года. (см.рис.68)69.
f.a.i.year <- data.frame()
for(i in 2004:2015){
temp <- FixedAssetsInvestments %>% filter(Year==i) %>% summarise(Year = i, `Million USD`=sum(million.USD))
f.a.i.year <- rbind(f.a.i.year, temp)
}
ggplot(data = f.a.i.year, aes(x = Year, y = `Million USD`, group = 1))+
geom_line(colour="darkblue", size = 1)+
geom_point(colour="darkorange", size = 2)+
xlab("Year")+
ylab("Million USD")+
ggtitle("Fig.68. Investments in fixed assets of Ukrainian enterprises
by years (million US dollars).")
В разрезе видов экономической деятельности основным бенефициаром инвестиций стала промышленность Украины, в основные фонды которой было вложено более 94 млрд.ном.дол.США или 36% от общих инвестиций в основные фонды страны. На втором месте операции с недвижимостью и аренда - 40 млрд.дол.США или 15% общих инвестиций, на третьем месте транспорт, что включает в себя так же и услуги по логистике, перевозкам и склады, - 31 млрд.дол.США или 12% общих инвестиций. Далее с небольшим разрывом следуют строительство (порядка 20 млрд.дол.США) и сельское хозяйство (17 млрд.дол.США),. «Почта и связь», которые с 2013 года именуются уже «телекоммуникация и связь» на седьмом месте с объемом привлеченных инвестиций в 13,6 млрд.дол.США. Государственное управление, категория, которая с 2013 года включает в себя так же и оборону, и обязательное страхование, составило 4,1 млрд., или 1,6%. Здравоохранение и образование на предпоследнем и последнем месте, с показателями 3,2 млрд.и 2,09 млрд. (1,3% и 0,8%) соответственно.
category <- c("Agriculture, hunting and forestry", "Industrial production", "Construction", "Trade; repair of motor vehicles, household appliances and personal demand items", "Activity of hotels and restaurants", "Activity of transport and communications", "activity of mail and communications", "Financial activity", "Real estate activities, renting, engineering and provision of services to businessmen", "Public administration", "Education", "other serivices")
f.a.i.category <- data.frame(Category = "", `Million USD` = as.numeric(""))
for(i in category){
temp <- FixedAssetsInvestments %>% filter(Category==i) %>% summarise(Category = i, `Million USD`=sum(million.USD))
names(f.a.i.category) <- names(temp)
f.a.i.category <- rbind(f.a.i.category, temp)
}
f.a.i.category <- f.a.i.category[-1,]
f.a.i.category <- f.a.i.category %>% arrange(desc(`Million USD`))
ggplot(data = f.a.i.category, aes(x = Category, y = `Million USD`, fill = Category))+
geom_bar(colour = "black", stat = "identity")+
xlab("Category of economic activity")+
ylab("Million USD")+
guides(fill=FALSE)+
#scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.69. Investments in fixed assets of enterprises by types of
economic activity from 2004 to 2015. (Million USD)") +
coord_flip()
С 2013 года как отдельный вид экономической деятельности выносится «профессиональная, научная и техническая деятельность», с показателем инвестиций по накопительному итогу за 3 года в 737 млн.дол.США. К сожалению, неизвестно, в каких отраслях экономики данный крайне интересный для анализа показатель находился раннее, и отследить его динамику за более длительный период не представляется возможным. Однако, если анализировать только три года (с 2013 по 2015гг), то инвестиции в данный показатель составил бы почти 1,5% общего объема инвестиций, заняв 3-е место с конца после здравоохранения и образования. При этом интересно сравнить данный «рейтинг» с динамикой роста износа основных средств украинских предприятий. Так, в целом по всем предприятиям, износ основных средств с 2000 по 2012 г. возрос с 47,3 в 2000 году до 76,7% в 2012. (Рис.70)
# Creating a data table with comparative information on depreciation of fixed assets of Ukrainian enterprises
# Создание таблицы данных со сравнительнной информацией износа основных средств украинских предприятий
Depreciation_fixed_assets$Year <- as.factor(Depreciation_fixed_assets$Year)
Depreciation_fixed_assets$Depreciation.of.fixed.assets..... <- as.factor(Depreciation_fixed_assets$Depreciation.of.fixed.assets.....)
depreciation.fa <- Depreciation_fixed_assets[25:26,]
ggplot(data = depreciation.fa, aes(x = Year, y = `Depreciation.of.fixed.assets.....`))+
geom_bar(colour="darkblue", fill = "white", stat = "identity")+
xlab("Year")+
ylab("% of Depreciation")+
ggtitle("Fig. 70. Degree of depreciation of fixed assets of Ukrainian enterprises
by years (%).")
**_Степень износа основных средств украинских предприятий по годам (%)**
depreciation.fa
## Economic.activity Year Depreciation.of.fixed.assets.....
## 25 Total 2000 2000 43.7
## 26 Total 2012 2012 76.7
Просто катастрофический износ средств наблюдался в транспортной инфраструктуре и перевозках грузов – 96%. На втором месте находилась промышленность (57,3%) а так же строительство (55,1%), получающая на протяжении тех же лет практически в два раза больше инвестиций в основные фонды. Оптовая и розничная торговля, отели и рестораны выглядят самыми «обновленными» - 42% и 33,4% износа соответственно. Отдельно необходимо отметить, что единственная отрасль – сельское хозяйство, за указанный период уменьшило износ основных средств 43,7% до 34,6%. (Рис.71).
# Creating a data table with comparative information on depreciation of fixed assets of Ukrainian enterprises
# Создание таблицы данных со сравнительнной информацией износа основных средств украинских предприятий
depreciation.fa12 <- Depreciation_fixed_assets %>% filter(Year==2012)
ggplot(data = depreciation.fa12[-13,], aes(x =
Economic.activity, y = `Depreciation.of.fixed.assets.....`))+
geom_bar( colour="darkblue", fill = "white", stat = "identity")+
xlab("Type of economic activity")+
ylab("% of Depreciation")+
coord_flip()+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.71. Rating of depreciation of fixed assets by types of
economic activity 2012 (%).")
Рейтинг степени износа основных средств по видам экономической деятельности 2012 г (%)
depreciation.fa12[-13,]
## Economic.activity Year Depreciation.of.fixed.assets.....
## 1 Agriculture 2012 34.6
## 2 Industry 2012 57.3
## 3 Construction 2012 55.1
## 4 Wholesale and retail trade 2012 42
## 5 Hotels and restaurants 2012 33.4
## 6 Transport 2012 96
## 7 Financial activities 2012 45.6
## 8 Operations with real estate 2012 42.5
## 9 Public administration 2012 51.4
## 10 Education 2012 43.6
## 11 Health care and social payments 2012 42.4
## 12 other services 2012 46.7
# Creating a data table with comparative information on depreciation of fixed assets of Ukrainian enterprises
# Создание таблицы данных со сравнительнной информацией износа основных средств украинских предприятий
depreciation.faTotal <- Depreciation_fixed_assets[-c(25:26),]
ggplot(data = depreciation.faTotal, aes(x =
Year, y = `Depreciation.of.fixed.assets.....`))+
geom_bar( aes(fill=Economic.activity), stat = "identity")+
xlab("Type of economic activity")+
ylab("% of Depreciation")+
facet_grid(.~Economic.activity, scales = "free")+
ggtitle("Fig. 72. Depreciation of fixed assets by economic activities by year (%).")
Рейтинг степени износа основных средств по видам экономической деятельности 2012 г (%)
depreciation.fa12[-13,]
## Economic.activity Year Depreciation.of.fixed.assets.....
## 1 Agriculture 2012 34.6
## 2 Industry 2012 57.3
## 3 Construction 2012 55.1
## 4 Wholesale and retail trade 2012 42
## 5 Hotels and restaurants 2012 33.4
## 6 Transport 2012 96
## 7 Financial activities 2012 45.6
## 8 Operations with real estate 2012 42.5
## 9 Public administration 2012 51.4
## 10 Education 2012 43.6
## 11 Health care and social payments 2012 42.4
## 12 other services 2012 46.7
Иностранные инвестиции в Украину государственный комитет статистики публикует «по накопительному итогу». С 1994 года, когда этот показатель стал учитываться комитетом статистики Украины, общие иностранные инвестиции к 2013 году составили 58,15 млрд.дол.США70. После того, как в 2014 году из статистики были исключены территории Крыма и зоны проведения АТО, этот показатель к концу 2015 году уменьшился до 43,37 млрд.дол.США71. Т.е. только с точки зрения потери вложенных прямых иностранных инвестиций утрата этих регионов «стоила» экономике Украины почти 15 млрд.дол.США. Иностранные инвестиции в Украине имели явную тенденцию к росту, о чем свидетельствует линия тренда графика на рисунке 73. Конечно же, инвестиции крайне чувствительны как общемировым кризисам, по этому, мы наблюдаем резкое падение уровня инвестиций в Украине в 2009 г, что, очевидно, объясняется общемировым финансовым кризисом того периода.
direct.investments.gsk <- direct.investments.goskomstat[1:13,1:3]
ggplot(data = direct.investments.gsk, aes(x = year, y = direct.investments.by.year, group = 1))+
geom_line(colour="darkorange", size = 1)+
geom_point(aes(size = direct.investments.by.year, color = direct.investments.by.year))+
xlab("Year")+
ylab("million USD")+
ggtitle("Fig.73. Foreign direct investment, net inflows (State Statistics
Committee of Ukraine)")
Прямые иностранные инвестиции в Украину по годам (млрд.дол.США)
direct.investments.gsk
## year direct.investments..Cumulative.total..Million.USD
## 1 1994-2001 4406.2
## 2 2002 5339.0
## 3 2003 6657.6
## 4 2004 8353.9
## 5 2005 16375.2
## 6 2006 21186.0
## 7 2007 29489.4
## 8 2008 35723.4
## 9 2009 40026.8
## 10 2010 44708.0
## 11 2011 49362.3
## 12 2012 54462.4
## 13 2013 58156.9
## direct.investments.by.year
## 1 4406.2
## 2 932.8
## 3 1318.6
## 4 1696.3
## 5 8021.3
## 6 4810.8
## 7 8303.4
## 8 6234.0
## 9 4303.4
## 10 4681.2
## 11 4654.3
## 12 5100.1
## 13 3694.5
При этом, отдельно стоит отметить, что по данным Мирового Банка, который учитывает иностранные инвестиции в Украину начиная с 1992 года, к концу 2015 общий объем иностранных инвестиций составил почти 78 млрд.дол.США72, что в 1,8 раза больше, чем инвестиции «учтенные» комитетом статистики Украины.
# Получаем данные Ворлд Банка для получения информации о прямых инвестициях в страны, разбитых по уровню доходу
direct_investmentUA <- wb(country = c("UA"), indicator = "BX.KLT.DINV.CD.WD", startdate = 1990, enddate = 2016, removeNA = TRUE) %>% select(value, date, country)
# Для наглядности, делим все значения колонки value на 1 млн
direct_investmentUA$value <- sapply(direct_investmentUA$value, function(x) x/1000000)
direct_investmentUA$date <- as.numeric(direct_investmentUA$date)
# Создаем выборку данных периода 1994-2015 года по прямым инвестициям в Украину, согласно данным Всемирного Банка, и объеденяем их в одну цифру
direct.investments.2s <- direct_investmentUA %>% filter(date >=1994) %>% summarise(Year = 2015, Direct.investments.Cumulative.total.Million.USD = sum(value), Source = "World Bank")
# Создаем временную таблицу по прямым инвестициям в Украину, согласно данным Госкомстата Украины
temp <- data.frame(Year = 2015, Direct.investments.Cumulative.total.Million.USD = direct.investments.goskomstat[15,2], Source = "Goskomstat")
# Обейденяем данные ВБ и Госкомстата в одну таблицу
direct.investments.2s <- rbind(direct.investments.2s, temp)
ggplot(data = direct.investments.2s, aes(x = Source, y = Direct.investments.Cumulative.total.Million.USD, fill = Source))+
geom_bar(colour = "black", stat = "identity")+
xlab("data source")+
ylab("million US dollars")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.73a. Foreign direct investment in Ukraine according to various
sources (million USD)")
Если сравнить данные Мирового Банка и Госкомстата по годам (выбраны годы, по которым доступно сравнение – 1994-2013 гг), то видно, что с 1994 по 2005 Госкомстат «насчитывал» чуть больше иностранных инвестиций в Украину, чем Мировой Банк. А вот начиная с 2006 года и по 2013 год инвестиции в Украину по данным Мирового Банк отличаются уже в сторону увеличения, причем существенно. В этот период Госкомстат «недосчитывал» от 20 до 70% иностранных инвестиций ежегодно.
# Создание таблицы данных прямых инвестиций в Украину Мирового Банка
direct_investmentUA <- direct_investmentUA %>% arrange(date)
direct_investmentUA2 <- direct_investmentUA %>% filter(date >= 1994 & date <= 2001) %>% summarise(value = sum(value), date = "1994-2001")
direct_investmentUA2 <- rbind(direct_investmentUA2, direct_investmentUA[11:24,1:2])
direct_investmentUA2$date <- as.factor(direct_investmentUA2$date)
direct_investmentUA2$source <- rep("World Bank", 15)
# Создание таблицы данных прямых инвестиций в Украину Госкомстата
direct.investments.goskomstat <- direct.investments.goskomstat[,1:3]
colnames(direct.investments.goskomstat) <- c("date", "direct.investments..Cumulative.total..Million.USD", "value")
direct.investments.gks <- direct.investments.goskomstat %>% select(c(date, value))
direct.investments.gks$source <- rep("Goskomstat", 15)
# Объеденяем оба источника данных в одну таблицу
direct.investments.2s <- rbind(direct_investmentUA2, direct.investments.gks)
ggplot(data = direct.investments.2s, aes(x = date, y = value, fill = source))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("million USD")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig. 73.b Foreign direct investment in Ukraine according to different sources
by year (million USD)")+
facet_grid(source~., scales = "free")
## Warning: Removed 2 rows containing missing values (position_stack).
Прямые иностранные инвестиции в Украину по данным разных источников по годам (млн.дол. США)
direct.investments.2s
## value date source
## 1 4196.0 1994-2001 World Bank
## 11 693.0 2002 World Bank
## 12 1424.0 2003 World Bank
## 13 1715.0 2004 World Bank
## 14 7808.0 2005 World Bank
## 15 5604.0 2006 World Bank
## 16 10193.0 2007 World Bank
## 17 10700.0 2008 World Bank
## 18 4769.0 2009 World Bank
## 19 6451.0 2010 World Bank
## 20 7207.0 2011 World Bank
## 21 8175.0 2012 World Bank
## 22 4509.0 2013 World Bank
## 23 847.0 2014 World Bank
## 24 3050.0 2015 World Bank
## 110 4406.2 1994-2001 Goskomstat
## 2 932.8 2002 Goskomstat
## 3 1318.6 2003 Goskomstat
## 4 1696.3 2004 Goskomstat
## 5 8021.3 2005 Goskomstat
## 6 4810.8 2006 Goskomstat
## 7 8303.4 2007 Goskomstat
## 8 6234.0 2008 Goskomstat
## 9 4303.4 2009 Goskomstat
## 10 4681.2 2010 Goskomstat
## 111 4654.3 2011 Goskomstat
## 121 5100.1 2012 Goskomstat
## 131 3694.5 2013 Goskomstat
## 141 NA 2014 Goskomstat
## 151 NA 2015 Goskomstat
Необходимо так же отметить, что за последние 10 лет в среднем 30% от общего объема так называемых «прямых иностранных инвестиций» в Украину - это инвестиции из таких стран как Кипр, Белиз, Виргинские Острова – оффшорных зон, т.е. это кругооборот денег, которые выходят из Украины через трансфертное ценообразование и заходят назад как прямые иностранные инвестиции. (Рис.74)
colnames(Offshore_investments) <- c("Year", "% of offshore zones investments")
ggplot(data = Offshore_investments, aes(x = Year, y = `% of offshore zones investments`, fill = `% of offshore zones investments`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Year")+
ylab("% of offshore zones investments")+
ggtitle("Fig.74. The share of offshore countries in foreign direct investment in Ukraine by
years (%)")
Доля оффшорных стран в прямых иностранных инвестициях в Украину по годам (%)
Offshore_investments
## Year % of offshore zones investments
## 1 2007 23.6
## 2 2008 25.2
## 3 2009 24.9
## 4 2010 25.5
## 5 2011 28.9
## 6 2012 35.2
## 7 2013 35.7
## 8 2014 32.5
## 9 2015 29.6
А если к инвестициям из оффшорных зон добавить так же и инвестиции из Нидерландов (страны, крайне популярной для регистрации холдингов), то цифра получится еще больше – в среднем почти 40% ежегодно.
colnames(Offshore.andN_investments) <- c("Year", "% of offshore zones investments")
ggplot(data = Offshore.andN_investments, aes(x = Year, y = `% of offshore zones investments`, fill = `% of offshore zones investments`))+
geom_bar(colour = "black", stat = "identity")+
xlab("Year")+
ylab("% of offshore zones investments")+
ggtitle("Fig. 74a. The share of offshore countries and the Netherlands in foreign direct
investment in Ukraine by years (%).")
Доля оффшорных стран и Нидерландов в прямых иностранных инвестициях в Украину по годам (%)
Offshore.andN_investments
## Year % of offshore zones investments
## 1 2007 32.1
## 2 2008 34.1
## 3 2009 34.9
## 4 2010 36.0
## 5 2011 38.7
## 6 2012 44.7
## 7 2013 46.8
## 8 2014 45.4
## 9 2015 42.7
# Рисунки 75-76 доклада удалены. 77 стал 75
direct_investment <- wb(country = c("UA","BY","LT","LV","RU"), indicator = "NE.GDI.TOTL.ZS", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
direct_investment$date <- as.numeric(direct_investment$date)
ggplot(data = direct_investment, aes(x = date, y = value, fill = country))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("%")+
geom_smooth(method = "loess")+
scale_fill_brewer(palette="Pastel2") +
ggtitle("Fig.75. Gross capital formation (% of GDP)")+
facet_grid(country~., scales = "free")
Из телевизионных выступлений, статей в прессе, других информационных потоков, говорящих о том, что «ЕС выделяет финансирование», «МВФ подтвердило очередной транш», «США готовы инвестировать в…», и так далее, автор уверен, у многих формируется ощущение, что «богатые» страны, в каком то роде помогают «бедным». Давайте рассмотрим инвестиции в разрезе уровня дохода стран, куда они попадают. И так, по классификации Мирового Банка76 к группе с «высоким уровнем дохода» относятся 79 стран мира, население которых составляет 1,2 млрд. человек. В группе с уровнем дохода «выше среднего» - 56 стран, общая численность населения которых - 2,6 млрд.чел. И в группах с уровнем дохода «низкий» и «ниже среднего» - 83 страны , общей численностью населения 3,6 млрд. Если принять как гипотезу, что «богатые» страны охотно инвестируют в «бедные», и сравнить инвестиционные потоки по этим группам, то, исходя из указанных цифр, прямые иностранные инвестиции должны в большей степени поступать в страны с низким и ниже среднего уровнем дохода. Однако, как свидетельствует статистика того же Мирового Банка77, на самом деле, все на оборот. Так, в 2015 году, инвестиции в страны с высоким уровнем дохода (79 стран, 1,2 млрд.чел. население) больше чем в 10 раз (!!!) превышали инвестиции в страны с уровнем дохода «низкий и ниже среднего» (83 страны, 3,6 млрд.чел. население). И подобная динамика наблюдалась и 10 и 20 лет назад (см. Рис 78).
# Подлючаемся к данным Ворлд Банка для получения информации о прямых инвестициях в страны, разбитых по уровню доходу
investment_income.level <- wb(indicator = "BX.KLT.DINV.CD.WD", startdate = 1990, enddate = 2015, removeNA = TRUE) %>% select(value, date, country)
# Извлекаем строки со словом Low income, High income, Lower middle income, Upper middle income, и создем из них новую таблицу
temp <- grep("Low income|High income|Lower middle income|Upper middle income", investment_income.level$country)
fdi <- data.frame()
for(i in temp){
fdi <- rbind(fdi, investment_income.level[i,])
}
# Для наглядности, делим все значения колонки value на 1 млрд
fdi$value <- sapply(fdi$value, function(x) x/1000000000)
fdi$country <- as.factor(fdi$country)
# Объеденяем страны низкого и ниже среднего уровня доходов
low.and.lowermiddle <- data.frame()
for(i in 2015:1990){
temp <- fdi %>% filter(date == i, country == "Lower middle income" | country == "Low income") %>%
summarise(value = sum(value), date = i, country = "Low and lower-middle income")
low.and.lowermiddle <- rbind(low.and.lowermiddle, temp)
}
# Создаем новую таблицу из категорий High income, Upper middle income и Low and lower-middle income
temp <- fdi %>% filter(country == "High income" | country == "Upper middle income")
fdi <- rbind(temp, low.and.lowermiddle)
# Для нормальной визуализации графика, переводим fdi$date в класс numeric
fdi$date <- as.numeric(fdi$date)
# Создаем график
ggplot(data = fdi, aes(x = date, y = value))+
geom_line(aes(colour = country))+
geom_point()+
xlab("Year")+
ylab("Billions of USD")+
ggtitle("Fig. 76. Investments depending on the level of income of countries 1990-2015.")
Инвестиции по уровню дохода стран 1990-2015 гг. (млрд.дол.США)
fdi2 <- spread(fdi, country, value)
fdi2
## date High income Upper middle income Low and lower-middle income
## 1 1990 175.4120 15.88950 5.013373
## 2 1991 117.1829 24.04589 5.779737
## 3 1992 110.8661 35.03903 7.343100
## 4 1993 150.3527 50.09302 11.301956
## 5 1994 160.3529 67.91719 13.586365
## 6 1995 228.1993 75.41204 16.289078
## 7 1996 250.3852 92.73203 20.458310
## 8 1997 310.6735 128.60955 21.985275
## 9 1998 528.6309 131.61888 19.057915
## 10 1999 808.5265 139.26427 14.107615
## 11 2000 1313.8178 135.36134 11.451123
## 12 2001 636.7580 146.33993 12.978082
## 13 2002 587.2921 134.14967 20.090688
## 14 2003 547.1690 141.90413 20.753681
## 15 2004 786.5003 190.13091 27.605207
## 16 2005 1219.9641 247.93879 54.310922
## 17 2006 1731.0132 327.49552 77.616081
## 18 2007 2516.5988 440.47132 108.283606
## 19 2008 1816.2159 491.37060 136.098806
## 20 2009 934.1706 323.13478 103.430964
## 21 2010 1235.3717 517.80406 105.767116
## 22 2011 1550.6222 604.74494 130.387265
## 23 2012 1441.9339 544.16155 124.785134
## 24 2013 1341.0259 614.32869 130.979778
## 25 2014 1104.7398 538.20117 135.863367
## 26 2015 1487.3387 502.20640 145.572914
Кроме того, благодаря тем же информационным потокам, мы, в какой-то мере начинаем считать «инвестиции» дружеской помощью, совершенно забывая о том, что «инвестор» и «благотворитель» - это совершенно разные вещи. Задача инвестора не в том, что бы помочь деньгами нуждающемуся, а в том, что бы вернуть вложенные средства, как можно быстрее, и с как можно большим доходом.
По этому, говоря о растущем уровне иностранных инвестиций, крайне важно упоминать и такой, мало принятый в Украине, но популярный в мировой статистической практике показатель, как чистый иностранный доход (Net income from abroad). Чистый иностранный доход это разница между общим значением дохода, полученного не-ризеднтами из страны и выплаченного не-резидентами для страны78. Он включает в себя все: доходы от трудовой деятельности, доходы от имущества и предпринимательский доход (что покрывает, собственно, инвестиционные доходы), а так же доходы от нефинансовой собственности (патенты, авторские права и т.д.). Данный показатель может быть как положительным, так и отрицательным. Его отрицательная величина означает, что «изъятых» не-резидентами из страны денег больше, чем «вложенных» в нее. Если говорить об Украине, то за все годы ее независимости, этот показатель всегда был отрицательным. Другими словами, не смотря на положительную динамику иностранных инвестиций, не-резидентами «изымается» из страны больше, чем вкладывается. Так, начиная с 1993 года из Украины было выведено на 32 млрд.долларов больше, чем «вложено» иностранным капиталом. В среднем, ежегодно «изымается» на 1,4 млрд. долларов больше, чем вкладывается. (см.Рис 77)
# Получаем данные Всемирного Банка о чистых иностранных доходах Украины
nfi.UA <- wb(country = c("UA"), indicator = "NY.GSR.NFCY.CD", startdate = 1990, enddate = 2016, removeNA = TRUE) %>% select(value, date, country)
# Для наглядности, делим все значения колонки value на 1 млн
nfi.UA$value <- sapply(nfi.UA$value, function(x) x/1000000)
nfi.UA$date <- as.numeric(nfi.UA$date)
ggplot(data = nfi.UA, aes(x = date, y = value, fill=value))+
geom_bar(colour="black", stat = "identity")+
xlab("Year")+
ylab("million USD")+
geom_smooth(method = "loess")+
ggtitle("Fig.77. Net foreign income of Ukraine in 1993-2015 (million US dollars)")
Чистый иностранный доход Украины 1992-2015 гг (млн.дол.США)
nfi.UA
## value date country
## 2 -1192.24343 2015 Ukraine
## 3 -1558.47292 2014 Ukraine
## 4 -3098.21093 2013 Ukraine
## 5 -2968.33938 2012 Ukraine
## 6 -3796.00000 2011 Ukraine
## 7 -2009.00000 2010 Ukraine
## 8 -2440.00000 2009 Ukraine
## 9 -1540.00000 2008 Ukraine
## 10 -2117.00000 2007 Ukraine
## 11 -1722.00000 2006 Ukraine
## 12 -985.00000 2005 Ukraine
## 13 -798.76417 2004 Ukraine
## 14 -581.00000 2003 Ukraine
## 15 -606.00000 2002 Ukraine
## 16 -667.00000 2001 Ukraine
## 17 -942.00570 2000 Ukraine
## 18 -869.00886 1999 Ukraine
## 19 -844.66214 1998 Ukraine
## 20 -644.03508 1997 Ukraine
## 21 -572.28751 1996 Ukraine
## 22 -775.74069 1995 Ukraine
## 23 -341.03012 1994 Ukraine
## 24 -1584.51327 1993 Ukraine
## 25 -67.14286 1992 Ukraine
Аналогичная ситуация наблюдается не только в отношении Украины и других стран бывшего СССР, но в отношении «новых демократий» стран Европейского Союза. Например в 2015 году для Венгрии этот показатель составил минус 5,5 млрд.долларов, а для Польши - минус 16,5 млрд.долларов. Стоит ли удивляться, что для таких стран, как, например, Франция, Германия, США – этот показатель положительный? (см.Рис.80) (!!!! Другие Европейские страны. ПОКАЗАТЬ ЧТО ВСЕ ЗАБИРАЕТ НА СЕБЯ ГЕРМАНИЯ)
| Tables | Are | Cool |
|---|---|---|
| col 3 is | right-aligned | $1600 |
| col 2 is | centered | $12 |
| zebra stripes | are neat | $1 |
| Markdown | Less | Pretty |
|---|---|---|
| Still | renders |
nicely |
| 1 | 2 | 3 |
По данным ежегодных отчетов Фонда государственного имущества Украины http://www.spfu.gov.ua/ru/documents/docs-list/spf-reports.html . Авторская таблица https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_ua.xlsx↩
Группы объектов приватизации: A - небольшие объекты, B, Г - большие и стратегические предприятия, Д - объекты незавершенного строительства, E - акции и доли, принадлежащие государству в уставном капитале хозяйственных обществ, Ж - социально-культурные объекты (образование, здравоохранение, научно-исследовательские компании).Более детально см.приложение 1.↩
Отчет Фонда государственного имущества Украины за 2004 г. Приложение 5. (к сожалению, нумерация страниц в приложениях данного отчета отсутствует) http://www.spfu.gov.ua/ru/documents/docs-list/spf-reports.html↩
УМОВИ ЗАВЕРШЕННЯ ПРИВАТИЗАЦІЇ В УКРАЇНІ. Аналітичний звіт та рекомендації для Державної програми приватизації. Володимир Дубровський, Олександр Пасхавер, Лідія Верховодова, Барбара Блащик. Варшава, Київ - грудень 2007↩
“Статистичний щорічник України за 2013 рік”. ДЕРЖАВНА СЛУЖБА СТАТИСТИКИ УКРАЇНИ. За редакцією О.Г.Осауленка. Відповідальний за випуск. О.А. Вишневська. 2013. library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf. Авторская таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/number_of_enterprices_%20by_ownership_ua.xlsx↩
http://www.ebrd.com/what-we-do/economic-research-and-data/data/forecasts-macro-data-transition-indicators.html↩
По данным ежегодных отчетов Фонда государственного имущества Украины http://www.spfu.gov.ua/ru/documents/docs-list/spf-reports.html. Авторская таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/ukr_budget_receipt_comulative_total.xlsx↩
Авторская таблица доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/ukr_budget_receipt_per_year.xlsx↩
Данные финансового портала МинФин http://index.minfin.com.ua/budget/ Данные авторской таблицы можно загрузить https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_receipts_in_total_ukr_budget_receipts_per_year.xlsx↩
http://voxukraine.org/2015/01/23/outsourcing-privatization-attracting-capital-while-raising-efficiency/↩
Авторская таблица, составленная по данным отчета Фонда государственного имущества Украины за 2015 год доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/privatization_contracts_over_control.xlsx↩
Авторская таблица с данными доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/violations_in_%20the_%20contracts_over_control.xlsx↩
Авторская таблица с данными доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/penalties_per_violation_in_the_contracts_over_control.xlsx↩
Авторы хотели бы проанализировать все показатели (в первую очередь, сохранение основных видов деятельности и сохранение объемов производства.), но, к сожалению, подробная открытая статистика для этих показателей в нашей стране отсутствует. Данные, и то не полные (не все года), авторы смогли собрать из тех же отчетов Фонда госимущества только по приведенным в этой работе показателям: объем привлеченных инвестиций, количество предприятий, взявших обязательства касательно рабочих мест, вновь созданные рабочие места).↩
Авторская таблица, составленная на основе данных отчета Фонда государственного имущества Украины за 2015 год доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/investments_in_privatized_companies.xlsx↩
Авторская таблица, составленная на основе данных отчета Фонда государственного имущества Украины за 2015 год доступна по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/investments_in_privatized_companies.xlsx↩
http://ua.censor.net.ua/news/405508/u_slujbi_zayinyatosti_na_obliku_stoyit_na_10_menshe_lyudeyi_nij_mynulogo_roku_rozenko↩
http://www.ebrd.com/what-we-do/economic-research-and-data/data/forecasts-macro-data-transition-indicators.html. Авторская таблица доступна для скачивания https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/GDP_by_private_companies_ua_by_year.xlsx↩
https://ukrstat.org/uk/operativ/operativ2013/fin/kp_ed/kp_ed_u/arh_kzp_ed_u.htm↩
http://buklib.net/books/31118/ . Авторская таблица доступна для скачивания по ссылке https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/labour.xlsx↩
Данные Государственного комитета статистики Украины за соответствующий год http://www.ukrstat.gov.ua/. Авторская таблица доступна для скачивания на сайте - https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/employed_in_economic_activity.xlsx↩
Сайт государственного комитета статистики Украины http://www.ukrstat.gov.ua/ (Публикации/рынок труда/ Праця України 2015/) (Разделы 6 и 7) http://www.ukrstat.gov.ua/druk/publicat/kat_u/publ11_u.htm . Авторская таблица доступна для скачивания на сайте - https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/labour%20force%20by%20economic%20activity.xlsx↩
Данные Мирового Банка - http://data.worldbank.org/indicator/SL.IND.EMPL.ZS↩
Данные Мирового Банка - http://data.worldbank.org/indicator/SL.AGR.EMPL.ZS↩
Данные Мирового Банка - http://data.worldbank.org/indicator/SL.SRV.EMPL.ZS↩
Данные Мирового Банка - http://data.worldbank.org/indicator/SL.UEM.TOTL.ZS↩
http://www.nationmaster.com/country-info/stats/Labor/Salaries-and-benefits/Monthly-minimum-wage↩
Данные глобальной базы данных NationMaster http://www.nationmaster.com/country-info/stats/Cost-of-living/Average-monthly-disposable-salary/After-tax .Хочется отметить, что средняя заработная плата в Украине после смены власти в 2014 году, в долларовом эквиваленте уменьшилась более чем в 2,5 раза.↩
Праця України 2015/ (Раздел 7) http://www.ukrstat.gov.ua/druk/publicat/kat_u/publ11_u.htm↩
https://www.statbureau.org/ru/united-states/inflation-charts-yearly↩
https://www.quandl.com/data/WORLDBANK/BLR_IPTOTSAKD-Belarus-Industrial-Production-constant-US-seas-adj - для данных по Беларуси, и http://databank.worldbank.org/data/download/GemDataEXTR.zip - для данных по другим странам.↩
Статистичний щорічник України за 2013 рік. ДЕРЖАВНА СЛУЖБА СТАТИСТИКИ УКРАЇНИ. За редакцією О.Г.Осауленка. Відповідальний за випуск О.А. Вишневська. 2013 library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf↩
http://www.ukrstat.gov.ua/operativ/operativ2006/pr/prm_ric/prm_ric_u/vov2004_u.html↩
http://www.ukrstat.gov.ua/operativ/operativ2006/pr/prm_ric/prm_ric_u/vov2004_u.html↩
Статистичний щорічник України за 2013 рік”. ДЕРЖАВНА СЛУЖБА СТАТИСТИКИ УКРАЇНИ. За редакцією О.Г.Осауленка. Відповідальний за випуск О.А. Вишневська. 2013, стр. 88. library.oneu.edu.ua/files/StatSchorichnyk_Ukrainy_2013.pdf↩
ДОБАВИТЬ ССЫЛКУ !!!!!!!!!↩
ДОБАВИТЬ ССЫЛКУ !!!!!!!!!↩
http://voicesevas.ru/analytics/6994-sudostroenie-ukrainy-ot-avianoscev-k-burzhuykam.html↩
Судостроение Украины: прошлое и настоящее языком цифр и фактов. http://morvesti.ru/tems/detail.php?ID=53194↩
Там же.↩
Там же.↩
Там же.↩
Соглашение между Российской Федерацией и Украиной о параметрах раздела Черноморского флота↩
Судостроительная отрасль Украины: заводы разграблены, специалистов нет. http://economics.unian.net/industry/1111210-sudostroitelnaya-otrasl-ukrainyi-zavodyi-razgrablenyi-spetsialistov-net.html↩
http://job-sbu.org/sudostroenie-ukrainyi-patsient-skoree-mertv.html↩
Тупик «Океана». https://news.pn/ru/politics/169662↩
Судостроение Украины: от авианосцев к буржуйкам http://voicesevas.ru/analytics/6994-sudostroenie-ukrainy-ot-avianoscev-k-burzhuykam.html↩
http://hubs.ua/business/industrial-ny-j-park-na-baze-chsz-budet-rabotat-kak-biznes-inkubator-82030.html. Индустриальный парк на базе Черноморского судостроительного завода будет работать как бизнес-инкубатор↩
Николаевский судостроительный завод “Океан” продадут за долги. http://uc.od.ua/news/traffic/fleet/1184522.html↩
Судостроение Украины: 20 лет на пути в небытие http://nikvesti.com/news/politics/23527↩
Сжались вчетверо: какие перспективы у судостроения Украины. http://ports.com.ua/articles/szhalis-vchetvero-kakie-perspektivy-u-sudostroeniya-ukrainy↩
Судостроение Украины: 20 лет на пути в небытие http://nikvesti.com/news/politics/23527↩
Судостроение Украины (2007 г.) http://www.ukrexport.gov.ua/rus/economy/brief/ukr/3013.html↩
Мировой рынок надводных кораблей. https://topwar.ru/26714-mirovoy-rynok-nadvodnyh-korabley.html↩
Украина потеряла десятки миллиардов долларов на судоходстве http://www.segodnya.ua/blogs/kotlubaiblog/blog-kak-spasti-torgovoe-sudohodstvo-ukrainy-605293.html↩
Отчет Антимонопольного комитета Украины за 2015 год. стр.5 и 7 соответственно http://www.amc.gov.ua/amku/doccatalog/document?id=122547&schema=main .↩
Там же, стр.9↩
Там же, стр.9↩
Там же↩
Там же↩
Там же↩
http://www.ukrstat.gov.ua/operativ/menu/menu_u/ioz.htm. Авторская таблица доступна для скачивания на сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/investments%20in%20the%20fixed%20assets.xlsx.↩
http://ukrstat.org/uk/operativ/operativ2013/zd/ivu/ivu_u/ivu0413.html↩
http://ukrstat.org/uk/operativ/operativ2015/zd/ivu/ivu_u/ivu0415.html↩
http://www.ukrstat.gov.ua/operativ/operativ2016/zd/ivu/ivu_u/ivu0116.html. Авторская таблица доступна для скачивания на сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/offshore%20zones%20investments.xlsx.↩
http://www.ukrstat.gov.ua/operativ/operativ2016/zd/ivu/ivu_u/ivu0116.html. Авторская таблица доступна для скачивания на сайте https://github.com/i2alex/Privatization-in-Ukraine.-1992-2015/blob/master/Data/offshore%20zones%20%2BNetherlands%20investments.xlsx.↩
См.детальную классификацию стран Мировым Банком http://blogs.worldbank.org/opendata/new-country-classifications↩